這周接著詳細解析小白YOLOv5全流程-訓練+實現數字識別_牛大了2022的博客-CSDN博客_yolov5識別數字，上周入門教大家下載配置環境，如果沒有的話請參考上一篇的文章深度學習Week12-訓練自己的數據集（YOLOv5）_牛大了2022的博客-CSDN博客

一、介紹和要求

YOLOv5配置了4種不同大小的網絡模型，分別是YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，其中 YOLOv5s 是網絡深度和寬度最小但檢測速度最快的模型（之前數字監測就是用yolov5s），其他3種模型都是在YOLOv5s的基礎上不斷加深、加寬網絡使得網絡規模擴大，在增強模型檢測性能的同時增加了計算資源和速度消耗。出于對檢測精度、模型大小、檢測速度的綜合考量，本文選擇YOLOv5s作為研究對象進行介紹。
./models/yolov5s.yaml文件是YOLOv5s網絡結構的定義文件，如果你想改進算法的網絡結構，需要先修改該文件中的相關參數，然后再修改./models/common.py與./models/yolo.py中的相關代碼。

📌 本周任務：將yolov5s網絡模型中第4層的C3*2修改為C3*1，第6層的C3*3修改為C3*2。
💫 任務提示：僅需修改./models/yolov5s.yaml文件。

?1、參數配置

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

·depth_multiple：控制子模塊數量=int（number*depth）（該參數與任務有關）
·width_multiple：控制卷積核的數量=int（number*width）

四種模型的這兩者不同。

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

三者分別適合小目標、中目標和大目標的檢測。

??YOLOv5初始化了9個anchors，在三個Detect層使用（3個feature map）中使用，每個feature map的每個grid_cell 都有三個anchor進行預測。分配規則：

尺度越大的 feature map 越靠前，相對原圖的下采樣率越小，感受野越小，所以相對可以預測一些尺度比較小的物體，所有分配到的 anchors 越小；

尺度越小的 feature map 越靠后，相對原圖的下采樣率越大，感受野越大，所以相對可以預測一些尺度比較大的物體，所有分配到的 anchors 越大。

即可以在小特征圖（feature map）上檢測大目標，也可以在大特征圖上檢測小目標。

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]

這是yolov5s的backbone，可以看到每一個模塊算一行，每行都由四個參數構成。分別是：
·from：表示當前模塊的輸入來自那一層的輸出，-1表示來自上一層的輸出。
·number：表示當前模塊的理論重復次數，實際的重復次數還要由上面的參數depth_multiple共同決定，決定網絡模型的深度。
·module：模塊類名，通過這個類名去common.py中尋找相應的類，進行模塊化的搭建網絡。
·args：是一個1ist，模塊搭建所需參數，channe1，kernel_size，stride，padding，bias等，會在網絡搭建過程中根據不同層進行改變。

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一樣

修改模型

?找到后打開，然后進行修改

?改好后之后訓練選yolov5s模型就可以了~詳情見頂端文章鏈接。

（運行train.py文件后，將可以在控制臺看到網絡模型的輸出）

總結

以上是生活随笔為你收集整理的深度学习Week14-yolov5s.yaml文件解读（YOLOv5）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。