YOLOv5系列(一) 本文(1.2万字) |
您所在的位置：网站首页 › 工程结构图纸代号 › YOLOv5系列(一) 本文(1.2万字) |
YOLOv5系列(一) 本文(1.2万字)
|
点击进入专栏： 《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程 文章预览： 项目目录结构 | 罗列函数与方法 | 代码调用关系图(全网最详尽-重要)
将源码下载好并配置好环境之后，就可以看到YOLOv5的整体目录如上图所示。 接下来我们逐一分析 1.1 .github文件夹
github是存放关于github上的一些“配置”的，这个不重要，我们可以不管它。 1.2 datasets
我们刚下载下来的源码是不包含这个文件夹的，datasets用来存放自己的数据集，分为images和labels两部分。同时每一个文件夹下，又应该分为train，val。.cache文件为缓存文件，将数据加载到内存中，方便下次调用快速。可以自命名，比如我的火焰数据集就叫“fire_yolo_format”。 1.3 data文件夹
data文件夹主要是存放一些超参数的配置文件（如.yaml文件）是用来配置训练集和测试集还有验证集的路径的，其中还包括目标检测的种类数和种类的名称；还有一些官方提供测试的图片。YOLOv5 有大约 30 个超参数用于各种训练设置。更好的初始猜测会产生更好的最终结果，因此在演化之前正确初始化这些值很重要。 如果是训练自己的数据集的话，那么就需要修改其中的yaml文件。不过要注意，自己的数据集不建议放在这个路径下面，建议把数据集放到YOLOv5项目的同级目录下面。 详解： hyps文件夹 # 存放yaml格式的超参数配置文件 hyps.scratch-high.yaml # 数据增强高，适用于大型型号，即v3、v3-spp、v5l、v5xhyps.scratch-low.yaml # 数据增强低，适用于较小型号，即v5n、v5shyps.scratch-med.yaml # 数据增强中，适用于中型型号。即v5mimages # 存放着官方给的两张测试图片 scripts # 存放数据集和权重下载shell脚本 download_weights.sh # 下载权重文件，包括五种大小的P5版和P6版以及分类器版get_coco.sh # 下载coco数据集get_coco128.sh # 下载coco128（只有128张）Argoverse.yaml # 后面的每个.yaml文件都对应一种标准数据集格式的数据 coco.yaml # COCO数据集配置文件 coco128.yaml # COCO128数据集配置文件 voc.yaml # VOC数据集配置文件 1.4 models文件夹
models是模型文件夹。里面主要是一些网络构建的配置文件和函数，其中包含了该项目的四个不同的版本，分别为是s、m、l、x。从名字就可以看出，这几个版本的大小。**他们的检测速度分别都是从快到慢，但是精确度分别是从低到高。**如果训练自己的数据集的话，就需要修改这里面相对应的yaml文件来训练自己模型。 详解： hub # 存放yolov5各版本目标检测网络模型配置文件 anchors.yaml # COCO数据的默认锚点yolov3-spp.yaml # 带spp的yolov3yolov3-tiny.yaml # 精简版yolov3yolov3.yaml # yolov3yolov5-bifpn.yaml # 带二值fpn的yolov5lyolov5-fpn.yaml # 带fpn的yolov5yolov5-p2.yaml # (P2, P3, P4, P5)都输出，宽深与large版本相同，相当于比large版本能检测更小物体yolov5-p34.yaml # 只输出(P3, P4)，宽深与small版本相同，相当于比small版本更专注于检测中小物体yolov5-p6.yaml # (P3, P4, P5, P6)都输出，宽深与large版本相同，相当于比large版本能检测更大物体yolov5-p7.yaml # (P3, P4, P5, P6, P7)都输出，宽深与large版本相同，相当于比large版本能检测更更大物体yolov5-panet.yaml # 带PANet的yolov5lyolov5n6.yaml # (P3, P4, P5, P6)都输出，宽深与nano版本相同，相当于比nano版本能检测更大物体，anchor已预定义yolov5s6.yaml # (P3, P4, P5, P6)都输出，宽深与small版本相同，相当于比small版本能检测更大物体，anchor已预定义yolov5m6.yaml # (P3, P4, P5, P6)都输出，宽深与middle版本相同，相当于比middle版本能检测更大物体，anchor已预定义yolov5l6.yaml # (P3, P4, P5, P6)都输出，宽深与large版本相同，相当于比large版本能检测更大物体，anchor已预定义，推测是作者做实验的产物yolov5x6.yaml # (P3, P4, P5, P6)都输出，宽深与Xlarge版本相同，相当于比Xlarge版本能检测更大物体，anchor已预定义yolov5s-ghost.yaml # backbone的卷积换成了GhostNet形式的yolov5s，anchor已预定义yolov5s-transformer.yaml # backbone最后的C3卷积添加了Transformer模块的yolov5s，anchor已预定义int.py # 空的 common.py # 放的是一些网络结构的定义通用模块，包括autopad、Conv、DWConv、TransformerLayer等 experimental.py # 实验性质的代码，包括MixConv2d、跨层权重Sum等 tf.py # tensorflow版的yolov5代码 yolo.py # yolo的特定模块，包括BaseModel，DetectionModel，ClassificationModel，parse_model等 yolov5l.yaml # yolov5l网络模型配置文件，large版本，深度1.0，宽度1.0 yolov5m.yaml # yolov5m网络模型配置文件，middle版本，深度0.67，宽度0.75 yolov5n.yaml # yolov5n网络模型配置文件，nano版本，深度0.33，宽度0.25 yolov5s.yaml # yolov5s网络模型配置文件，small版本，深度0.33，宽度0.50 yolov5x.yaml # yolov5x网络模型配置文件，Xlarge版本，深度1.33，宽度1.25 1.5 runs文件夹
runs是我们运行的时候的一些输出文件。每一次运行就会生成一个exp的文件夹。
详解： detect # 测试模型，输出图片并在图片中标注出物体和概率 train # 训练模型，输出内容，模型(最好、最新)权重、混淆矩阵、F1曲线、超参数文件、P曲线、R曲线、PR曲线、结果文件（loss值、P、R）等 expn expn # 第n次实验数据 confusion_matrix.png # 混淆矩阵 P_curve.png # 准确率与置信度的关系图线 R_curve.png # 精准率与置信度的关系图线 PR_curve.png # 精准率与召回率的关系图线 F1_curve.png # F1分数与置信度（x轴）之间的关系 labels_correlogram.jpg # 预测标签长宽和位置分布 results.png # 各种loss和metrics（p、r、mAP等，详见utils/metrics）曲线 results.csv # 对应上面png的原始result数据 hyp.yaml # 超参数记录文件 opt.yaml # 模型可选项记录文件 train_batchx.jpg # 训练集图像x（带标注） val_batchx_labels.jpg # 验证集图像x（带标注） val_batchx_pred.jpg # 验证集图像x（带预测标注） weights # 权重 best.pt # 历史最好权重 last.pt # 上次检测点权重 labels.jpg # 4张图， 4张图，（1，1）表示每个类别的数据量 （1，2）真实标注的 bounding_box （2，1） 真实标注的中心点坐标 （2，2）真实标注的矩阵宽高 1.6 utils文件夹
utils工具文件夹。存放的是工具类的函数，里面有loss函数，metrics函数，plots函数等等。 详解： aws # 恢复中断训练,和aws平台使用相关的工具flask_rest_api # 和flask 相关的工具google_app_engine # 和谷歌app引擎相关的工具loggers # 日志打印init.py # notebook的初始化，检查系统软件和硬件activations.py # 激活函数augmentations # 存放各种图像增强技术autoanchor.py # 自动生成锚框autobatch.py # 自动生成批量大小benchmarks.py # 对模型进行性能评估（推理速度和内存占用上的评估）callbacks.py # 回调函数，主要为logger服务datasets # dateset和dateloader定义代码downloads.py # 谷歌云盘内容下载general.py # 全项目通用代码，相关实用函数实现loss.py # 存放各种损失函数metrics.py # 模型验证指标，包括ap，混淆矩阵等plots.py # 绘图相关函数，如绘制loss、ac曲线，还能单独将一个bbox存储为图像torch_utils.py # 辅助函数 1.7其他一级目录文件
详解： .dockerignore # docker的ignore文件.gitattributes # 用于将.ipynb后缀的文件剔除GitHub语言统计.gitignore # docker的ignore文件CONTRIBUTING.md # markdown格式说明文档detect.py # 目标检测预测脚本export.py # 模型导出hubconf.py # pytorch hub相关LICENSE # 证书README.md # markdown格式说明文档requirements.txt # 可以通过pip install requirement进行依赖环境下载setup.cfg # 项目打包文件train.py # 目标检测训练脚本tutorial.ipynb # 目标检测上手教程val.py # 目标检测验证脚本yolov5s.pt # coco数据集模型预训练权重，运行代码的时候会自动从网上下载 二 罗列函数与方法 data文件夹yaml各种数据集的加载路径与类别 hyps文件夹yaml超参 images两个jpg测试图片 models文件夹 hub文件夹yaml配置文件 分割文件夹segmentyaml配置文件 commmon.py def autopadConvDWConvDWConvTranspose2dTransformerLayerTransformerBlockBottleneckBottleneckCSPCrossConvC3C3xC3TRC3SPPC3GhostSPPSPPFFocusGhostConvGhostBottleneckContractExpandConcatDetectMultiBackendAutoShapeDetectionsProtoClassify experiment.py SumMixConv2dEnsembleattempt_load yolo.py DetectSegmentBaseModelDetectionModelDetectionModelSegmentationModelClassificationModeldef parse_model utils文件夹 docker文件夹flask_rest_api文件夹google_app_engine文件夹 aws文件夹 resume.py自动地恢复所有未完成的 YOLOv5 训练，不论是单 GPU 还是多 GPU 训练。它遍历找到所有的 last.pt 模型检查点，读取对应的训练配置文件 opt.yaml，并根据配置确定是否使用分布式训练 loggers文件夹 clearml文件夹 clearml_utils.py def construct_datasetClearmlLogger hpo.py使用 ClearML 的 HyperParameterOptimizer 类来自动调整 YOLOv5 模型的超参数。它定义了一系列的超参数范围，并设定了优化的目标指标（这里是最大化 mAP_0.5）。然后，它启动并管理了一个优化过程，该过程会尝试不同的参数组合以找到性能最优的配置。此脚本特别适用于自动化机器学习工作流程，提高模型调优的效率 comet文件夹 comet_utils.py def download_model_checkpointdef set_opt_parametersdef check_comet_weightsdef check_comet_resume hpo.py使用 Comet.ml 的优化器进行 YOLOv5 模型的超参数优化。它首先通过命令行参数配置训练环境和参数，然后使用 Comet.ml 优化器来迭代不同的参数组合，以找到最优的训练配置。这个脚本特别适用于自动化机器学习工作流程，提高模型调优的效率。 wandb文件夹 wandb_utils.py WandbLoggerdef all_logging_disabled segment文件夹分割的代码 activations.py SiLUHardswishMishMemoryEfficientMishFReLUAconCMetaAconC augmentations.py Albumentationsdef normalizedef denormalizedef augment_hsvdef hist_equalizedef replicatedef letterboxdef random_perspectivedef copy_pastedef cutoutdef mixupdef box_candidatesdef classify_albumentationsdef classify_transformsLetterBoxCenterCropToTensor autoanchor.py def check_anchor_orderdef check_anchorsdef kmean_anchors autobatch.py def check_train_batch_sizedef autobatch callbacks.py LoadImagesAndLabels register_action get_registered_actions run dataloaders.py def get_hashdef exif_sizedef exif_transposedef seed_workerdef create_dataloaderInfiniteDataLoader_RepeatSamplerLoadScreenshotsLoadImagesLoadStreamsdef img2label_pathsdef verify_image_labelClassificationDatasetdef create_classification_dataloader class LoadImagesAndLabels check_cache_ram cache_labels __getitem__ load_image cache_images_to_disk load_mosaic collate_fn load_image collate_fn4 downloads.py def is_urldef gsutil_getsizedef url_getsizedef curl_downloaddef safe_downloaddef attempt_download general.py is_asciiis_chineseis_colabis_jupyteris_kaggleis_dockeris_writeableset_logginguser_config_dirclass Profileclass Timeoutclass WorkingDirectorymethodsprint_argsinit_seedsintersect_dictsget_default_argsget_latest_runfile_agefile_datefile_sizecheck_onlinegit_describecheck_git_statuscheck_git_infocheck_pythoncheck_versioncheck_img_sizecheck_imshowcheck_suffixcheck_yamlcheck_filecheck_fontcheck_datasetcheck_ampyaml_loadyaml_saveunzip_fileurl2filedownloadmake_divisibleclean_strone_cyclecolorstrlabels_to_class_weightslabels_to_image_weightscoco80_to_coco91_classxyxy2xywhxywh2xyxyxywhn2xyxyxyxy2xywhnxyn2xysegment2boxsegments2boxesresample_segmentsscale_boxesscale_segmentsclip_boxesclip_segmentsnon_max_suppressionstrip_optimizerprint_mutationapply_classifierincrement_pathimreadimwriteimshow loss.py def smooth_BCEBCEBlurWithLogitsLossFocalLossQFocalLossComputeLoss metrics.py fitnesssmoothap_per_classcompute_apConfusionMatrixbbox_ioubox_ioubbox_ioawh_iouplot_pr_curveplot_mc_curve plots.py class Colorsfeature_visualizationhist2dbutter_lowpass_filtfiltoutput_to_targetplot_imagesplot_lr_schedulerplot_val_txtplot_targets_txtplot_val_studyplot_labelsimshow_clsplot_evolveplot_resultsprofile_idetectionsave_one_box torch_utils.py smart_inference_modesmartCrossEntropyLosssmart_DDPreshape_classifier_outputtorch_distributed_zero_firstdevice_countselect_devicetime_syncprofileis_parallelde_parallelinitialize_weightsfind_modulessparsityprunefuse_conv_and_bnmodel_infoscale_imgcopy_attrsmart_optimizersmart_hub_loadsmart_resumeclass EarlyStoppingclass ModelEMA triton.py部署 benchmarks.py各种推理模型基准 detect.py运行各种导出的模型文件 export.py各种模型转换 hubconf.py推理各种类型的文件 train.py进行模型训练 val.py验证测试 三 代码调用关系图(全网最详尽-重要)因文档特殊，不能在博客正确显示，请移步以下链接！ 图解YOLOv5_v7.0代码结构与调用关系 点击进入可以放大缩小等操作 预览： |
【本文地址】