Yolov5中使用Resnet18作为主干网络
预备知识
采用Resnet-18作为主干网络，首先第一件事情就要了解Resnet的网络结构
以及resnet-18中的残差层是做什么的
引入残差层是为了解决伴随着层数的递增，而出现的梯度消失的问题，从而引入了残差层即
在sigmoid中其激活函数
S
(
x
)
=
1
1
+
e
−
x
S
‘
(
x
)
=
S
(
x
)
(
1
−
S
(
x
)
)
S(x)=\frac{1}{1+e^{-x}}\\ S`(x)=S(x)(1-S(x))
S(x)=1+e−x1S‘(x)=S(x)(1−S(x))
自此可以看出S’(x)最大就是0.5
而原层数会伴随着迭代次数而逐渐相乘即越来越小从而出现梯度消失
但残差曾的意义是让其再加一个，变成一个大于1的数字从而抵抗梯度消失
z
=
y
+
x
∂
z
∂
x
=
∂
y
∂
x
+
1
z=y+x\\ \frac{\partial z}{\partial x}=\frac{\partial y}{\partial x}+1
z=y+x∂x∂z=∂x∂y+1
如何在yolo中进行修改
首先在commmon.py添加残差层
class BasicBlock(nn.Module):
def __init__(self,in_channels,out_channels,stride=1,padding=1) -> None:
super(BasicBlock, self).__init__()
self.layer = nn.Sequential(
nn.Conv2d(in_channels,out_channels,kernel_size=3,stride=1,padding=padding,bias=False),
nn.BatchNorm2d(out_channels),
nn.ReLU(inplace=True),
nn.Conv2d(out_channels,out_channels,kernel_size=3,stride=1,padding=padding,bias=False),
nn.BatchNorm2d(out_channels)
)
self.shortcut = nn.Sequential()
if stride != 1 or in_channels != out_channels:
self.shortcut = nn.Sequential(
nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=1, bias=False),
nn.BatchNorm2d(out_channels)
)
def forward(self, x):
out = self.layer(x)
out += self.shortcut(x)
out = torch.nn.functional.relu(out)
return out
然后再yolo.py中那一串层里面添加一个BasicBlock层
最后在你现用的模型主干里面替换即可
[[-1, 1, Conv, [64, 1]],
[-1, 2, BasicBlock, [64]],
[-1, 1, Conv, [128, 3, 2]],
[-1, 2, BasicBlock, [128]],
[-1, 1, Conv, [256, 3, 2]],
[-1, 2, BasicBlock, [256]],
[-1, 1, Conv, [512, 3, 2]],
[-1, 2, BasicBlock, [512]],
[-1, 1, Conv, [1024, 3, 2]],
[-1, 2, BasicBlock, [1024]],
]
然后打开tensorboard文章来源：https://www.toymoban.com/news/detail-405408.html
但不知道为什么修改了网络模型结构，在原始的yolov5中召回、精确啥的都等于零，可能是原版本的bug，底下这个是我在yolov7模型修改过的东西。
就很棒nice。
哦，对啦，如果不会修改模型路径，在这个里面改，还要把上边的pt文件给删掉文章来源地址https://www.toymoban.com/news/detail-405408.html
parser.add_argument('--weights', type=str, default= '', help='initial weights path')
parser.add_argument('--cfg', type=str, default=‘你模型的路径’，, help='model.yaml path')
到了这里，关于Yolov5中使用Resnet18作为主干网络的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
