YOLOv5白皮书 |
您所在的位置:网站首页 › showme饥荒 › YOLOv5白皮书 |
>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/AtyZUu_j2k_ScNH6e732ow) 中的学习记录博客** >- **🍖 原作者:[K同学啊|接辅导、项目定制](https://mtyjkh.blog.csdn.net/)** 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,其他3种模型都是在YOLOv5的基础上不断加深、加宽网络是的网络规模扩大,在增强模型检测性能的同时,增加了计算资源和速度。处于对检测精度、模型大小以及检测速度的综合考量,本文对YOLOv5s进行研究。 ./models/yolov5s.yaml文件是yolov5s的网络结构,如果要改算法网络结构可以再此文件中进行修改,然后再修改./models/common.py和./models/yolo.py中的代码。 1、参数配置 nc: 80 # number of classes depth_multiple: 0.33 # model depth multiple 控制模型的深度 width_multiple: 0.50 # layer channel multiple 控制Conv通道channel个数 depth_multiple 表示 BottleneckCSP 模块层的缩放因子,将所有的 BottleneckCSP 模块的 Bottleneck 乘上该参数得到最终个数。控制子模块数量=int(number*depth) width_multiple 表示卷积通道的缩放因子,就是将配置里面的 backbone 和 head 部分有关 Conv 通道的设置,全部乘以该系数。控制卷积核的数量=int(number*width) YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四种模型的区别仅在于depth_multiple 和width_multiple两个参数的不同。 以上三个参数,会用于模型搭建yolo.py文件中 读取 yaml 中的 anchors 和 parameters anchors, nc, gd, gw = d['anchors'], d['nc'], d['depth_multiple'], d['width_multiple'] 通过深度参数 depth gain, 在搭建每层时, 实际深度 = 理论深度(每一层的参数n)* depth_multiple,起到动态调整模型深度的作用 n = max(round(n * gd), 1) if n > 1 else n # depth gain 在模型中间层的每一层的实际输出 channel = 理论channel(每一层的参数c2)* width_multiple,起到动态调整模型宽度的作用。 控制宽度(卷积核个数)的代码 c2 = make_divisible(c2 * gw, 8) if c2 != no else c2 2、anchors配置 achors: - [10,13, 16,30, 33,23] # P3/8 ,检测小目标,10,13是一组尺寸,总共三组检测小目标 - [30,61, 62,45, 59,119] # P4/16,检测中目标,共三组 - [116,90, 156,198, 373,326] # P5/32,检测大目标,共三组 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的买个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,所以分配到的 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,所以可以预测一些尺度比较大的物体,所以分配到的 anchors 越大; 即在小特征图(feature map)上检测大目标,在大特征图上检测小目标。 YOLOv5 根据经验得到了这么 3 组 anchors,对于很多数据集而言确实挺合适的。但是也不能保证这 3 组 anchors 就适用于所有的数据集,所有 yolov5 还有一个anchor进化的策略:使用 k-means 和遗传进化算法,找到与当前数据集最吻合的 anchors。 3、backbone # YOLOv5 v6.0 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, 6, C3, [256]], [-1, 1, Conv, [512, 3, 2]], # 5-P4/16 [-1, 9, C3, [512]], [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32 [-1, 3, C3, [1024]], [-1, 1, SPPF, [1024, 5]], # 9 ] 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 list,模块搭建所需参数,channel,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) ] 5、整体模型 from n params module arguments 0 -1 1 3520 models.common.Conv [3, 32, 6, 2, 2] 1 -1 1 18560 models.common.Conv [32, 64, 3, 2] 2 -1 1 18816 models.common.C3 [64, 64, 1] 3 -1 1 73984 models.common.Conv [64, 128, 3, 2] 4 -1 2 115712 models.common.C3 [128, 128, 2] 5 -1 1 295424 models.common.Conv [128, 256, 3, 2] 6 -1 3 625152 models.common.C3 [256, 256, 3] 7 -1 1 1180672 models.common.Conv [256, 512, 3, 2] 8 -1 1 1182720 models.common.C3 [512, 512, 1] 9 -1 1 656896 models.common.SPPF [512, 512, 5] 10 -1 1 131584 models.common.Conv [512, 256, 1, 1] 11 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest'] 12 [-1, 6] 1 0 models.common.Concat [1] 13 -1 1 361984 models.common.C3 [512, 256, 1, False] 14 -1 1 33024 models.common.Conv [256, 128, 1, 1] 15 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest'] 16 [-1, 4] 1 0 models.common.Concat [1] 17 -1 1 90880 models.common.C3 [256, 128, 1, False] 18 -1 1 147712 models.common.Conv [128, 128, 3, 2] 19 [-1, 14] 1 0 models.common.Concat [1] 20 -1 1 296448 models.common.C3 [256, 256, 1, False] 21 -1 1 590336 models.common.Conv [256, 256, 3, 2] 22 [-1, 10] 1 0 models.common.Concat [1] 23 -1 1 1182720 models.common.C3 [512, 512, 1, False] 24 [17, 20, 23] 1 24273 models.yolo.Detect [4, [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326]], [128, 256, 512]] YOLOv5s summary: 214 layers, 7030417 parameters, 7030417 gradients, 16.0 GFLOPs |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |