深度学习Week14-yolov5s.yaml文件解读（YOLOv5）

这周接着详细解析小白YOLOv5全流程-训练+实现数字识别_牛大了2022的博客-CSDN博客_yolov5识别数字，上周入门教大家下载配置环境，如果没有的话请参考上一篇的文章深度学习Week12-训练自己的数据集（YOLOv5）_牛大了2022的博客-CSDN博客

一、介绍和要求

YOLOv5配置了4种不同大小的网络模型，分别是YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，其中 YOLOv5s 是网络深度和宽度最小但检测速度最快的模型（之前数字监测就是用yolov5s），其他3种模型都是在YOLOv5s的基础上不断加深、加宽网络使得网络规模扩大，在增强模型检测性能的同时增加了计算资源和速度消耗。出于对检测精度、模型大小、检测速度的综合考量，本文选择YOLOv5s作为研究对象进行介绍。
./models/yolov5s.yaml文件是YOLOv5s网络结构的定义文件，如果你想改进算法的网络结构，需要先修改该文件中的相关参数，然后再修改./models/common.py与./models/yolo.py中的相关代码。

本周任务：将yolov5s网络模型中第4层的C3*2修改为C3*1，第6层的C3*3修改为C3*2。
任务提示：仅需修改./models/yolov5s.yaml文件。

 1、参数配置

# Parameters
nc: 80  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

·depth_multiple：控制子模块数量=int（number*depth）（该参数与任务有关）
·width_multiple：控制卷积核的数量=int（number*width）

四种模型的这两者不同。

2、anchors

anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

三者分别适合小目标、中目标和大目标的检测。

  YOLOv5初始化了9个anchors，在三个Detect层使用（3个feature map）中使用，每个feature map的每个grid_cell 都有三个anchor进行预测。分配规则：

尺度越大的 feature map 越靠前，相对原图的下采样率越小，感受野越小，所以相对可以预测一些尺度比较小的物体，所有分配到的 anchors 越小；

尺度越小的 feature map 越靠后，相对原图的下采样率越大，感受野越大，所以相对可以预测一些尺度比较大的物体，所有分配到的 anchors 越大。

即可以在小特征图（feature map）上检测大目标，也可以在大特征图上检测小目标。

3、backbone

backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 3, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 6, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

这是yolov5s的backbone，可以看到每一个模块算一行，每行都由四个参数构成。分别是：
·from：表示当前模块的输入来自那一层的输出，-1表示来自上一层的输出。
·number：表示当前模块的理论重复次数，实际的重复次数还要由上面的参数depth_multiple共同决定，决定网络模型的深度。
·module：模块类名，通过这个类名去common.py中寻找相应的类，进行模块化的搭建网络。
·args：是一个1ist，模块搭建所需参数，channe1，kernel_size，stride，padding，bias等，会在网络搭建过程中根据不同层进行改变。

4.head

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13
 
   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)
 
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)
 
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)
 
   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

和backbone一样

修改模型

 找到后打开，然后进行修改

 改好后之后训练选yolov5s模型就可以了~详情见顶端文章链接。

（运行train.py文件后，将可以在控制台看到网络模型的输出）