郑州软件网站建设,时尚网站设计案例,彭州建设局网站,wordpress图片768好吗代码基于yolov5 v6.0 目录#xff1a;
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
模型配置文件一般放在 models 文件夹下的 XXX.yaml 文件中#xff0c;以 yolov5s.yaml 为例#xff1a;
# YOLOv… 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
模型配置文件一般放在 models 文件夹下的 XXX.yaml 文件中以 yolov5s.yaml 为例
# YOLOv5 by Ultralytics, GPL-3.0 license# Parameters
nc: 80 # 类别个数一定要与使用的数据集保持一致depth_multiple: 0.33 # 深度倍数对数量大于1个模块进行数量控制具体看 yolo.py 中的 parse_model 函数
width_multiple: 0.50 # 宽度倍数卷积操作中控制卷积核数量具体看 yolo.py 中的 parse_model 函数# 检测框的大小
anchors:- [ 10,13, 16,30, 33,23 ] # P3/8 检测小目标的三个检测框尺寸- [ 30,61, 62,45, 59,119 ] # P4/16 检测中等目标的三个检测框尺寸- [ 116,90, 156,198, 373,326 ] # P5/32 检测大目标的三个检测框尺寸
# 1. P3 代表浅层的特征图浅层的特征图较大包含更多的小目标
# 2. P5 代表深层的特则图深层的特征图较小包含更多的大目标
# 3. YOLOv5 根据工程经验得到了这3组anchors可以用于大多数数据集
# 4. 在源代码中是针对 coco 数据集使用 K 算法求解出的大、中、小三种大小检测框
# 5. 如果需要修改检测框大小建议也是用 K 算法进行求解# YOLOv5 v6.0 backbone
# 主干网络使用的模块用于特征提取可以替换为其他特征提取网络
# 由于没有分neck模块故spp写在了backbone部分
backbone:# 模块格式如下[from, number, module, args]# form 当前的输入来自哪一层的输出 -1 表示上一层# number 当前模块的理论重复次数当该值大于 1 时与 depth_multiple 共同决定实际重复次数# module 模块名字通过这个类名去 common.py 中寻找相应的类进行模块化的搭建网络# args 搭建模块需要的参数具体看 common.py 中对应的类的要求[ [ -1, 1, Conv, [ 64, 6, 2, 2 ] ], # 0-P1/2模块编号为0[ -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模块编号为0]# YOLOv5 v6.0 head
# 参数解释同backbone
# 没有区分neck模块所以head部分包含了PANetDetect部分
head:[ [ -1, 1, Conv, [ 512, 1, 1 ] ],[ -1, 1, nn.Upsample, [ None, 2, nearest ] ],[ [ -1, 6 ], 1, Concat, [ 1 ] ], # cat backbone 接受两层的输出作为输入[ -1, 6 ] 表示上一层以及编号为 6 的层[ -1, 3, C3, [ 512, False ] ], # 13模块编号为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, 15 ], 1, Concat, [ 1 ] ], # cat head P4[ -1, 3, C3, [ 512, False ] ], # 20 (P4/16-medium)[ -1, 1, Conv, [ 512, 3, 2 ] ],[ [ -1, 11 ], 1, Concat, [ 1 ] ], # cat head P5[ -1, 3, C3, [ 1024, False ] ], # 23 (P5/32-large)[ [ 18, 21, 24 ], 1, Detect, [ nc, anchors ] ], # Detect(P3, P4, P5)]
