yolo源码注释1——文件结构

代码基于yolov5 v6.0

目录：

• yolo源码注释1——文件结构
• yolo源码注释2——数据集配置文件
• yolo源码注释3——模型配置文件
• yolo源码注释4——yolo-py

• datasets # 用于存放数据集的默认文件夹
• yolov5
  • data # 模型训练的超参数配置文件以及数据集配置文件
    • hyps # 存放超参数配置文件（yaml格式）
      • hyp.scratch-high.yaml：适用于较大的模型结构，如 yolol
      • hyp.scratch-low.yaml：适用于较小的模型结构，如 yolos
      • hyp.scratch-med.yaml：适用于中等模型结构，如 yolom
    • images # 存放了官方提供的两张测试图片：bus.jpg 和 zidane.jpg
    • scripts # 用于下载数据集以及权重文件的shell脚本
      • download_weight.sh：下载权重文件
      • get_coco.sh：下载 coco 数据集
      • get_coco128.sh：下载 coco128 数据集
    • XXX.yaml：各种数据集的配置文件，如 coco.yaml 是 coco 数据集的配置文件
  • models # 搭建模型的相关配置文件及代码
    • hub # 存放各版本网络模型的配置文件
      • anchors.yaml：coco 数据集的默认 anchor
      • yolovX-XXX.yaml：模型配置文件
    • common.py：用于搭建网络的模块，如Conv、DWConv、TransformerLayer等
    • experimental.py：实验性质的代码，其中一些模块是近几年提出来的，如CrossConv、Sum等，yolov5的作者尝试将其融合进yolov5中
    • tf.py：TensorFlow版本的yolov5代码
    • yolo.py：主要用于搭建yolov5的网络模型
    • yolov5X.yaml：yolov5的模型配置文件
  • runs #运行过程中产生的文件夹，每运行一次都会生成一个名为 expN 的文件夹（N代表运行次数）
    • detect # 运行 detect.py 产生的图片，图片中标注出识别到的物体及其概率
    • train # 运行 train.py 产生的文件
      • weights # 权重（包括训练出的最好权重 best.pt 以及上次训练的权重 last.pt）
      • confusion_matrix.png：混淆矩阵
      • F1_curve.png：F1 score 与置信度之间的关系
      • hyp.yaml：超参数记录文件
      • labels.jpg：包含四张子图，从左上到右下分别是每个类别的个数、标注的 bbox、标注的bbox的中心点坐标热图、bbox的宽高热图
      • labels_correlogram.jpg：预测框的宽高以及中心坐标热图
      • opt.yaml：模型记录文件
      • P_curve.png：准确率与置信度之间的关系
      • PR_curve.png：精准率与召回率之间的关系
      • R_curve.png：精准率与置信度之间的关系
      • results.csv：模型训练过程中的指标，如损失函数、准确率等
      • results.png：训练集以及验证集在验证过程中的损失函数、mAP等指标的曲线
      • train_bathN.jpg：训练集图像（带bbox）
      • val_batchN_labels.jpg：验证集图像（带bbox）
      • val_batchN_pred.jpg：验证集图像（带预测框）
  • utils # 通用的工具类函数
    • aws：恢复中断训练相关
    • docker：docker配置相关
    • flash_rest_api：flask接口相关
    • google_app_engine：google app相关
    • loggers：日志打印（包括TensorBoard）
    • activations.py：激活函数
    • augmentations.py：图像增强
    • autoanchor.py：自动生成 anchor
    • autobatch.py：自动生成 batch size
    • benchmarks.py：评估模型的推理速度以及分析内存占用
    • callbacks.py：主要是 logger 的回调函数
    • datasets.py：配置 dataloader 和 datasets
    • downloads.py：下载数据集
    • general.py：通用函数
    • loss.py：损失函数
    • metrics.py：模型验证指标
    • plots.py：绘制损失函数等的曲线、bbox等
    • torch_utils.py：其他一些通用函数
  • detect.py：将训练好的模型用于图片、视频等进行目标检测
  • export.py：导出模型
  • hubconf.py：pytorch hub 相关，用于定义和管理模型的预训练权重和配置信息
  • train.py：训练模型
  • val.py：验证模型，评估模型性能