本文章纯属记录学习使用，我也不太明白是否为小目标检测层，不对的地方还希望一块交流
yolov5初始模型在特征融合时只对P3、P4、P5、三个特征层进行了融合，添加小目标检测层的目的是把P2（也就是yaml文件中第二个conv层得到的特征图）也加入到特征融合中。
P2位于低特征层，具有较强的位置信息，语义特征信息较弱，常用来进行小目标检测，这篇博客我觉得写的很好 高低特征层。
但并不是你觉得你所要检测的是小目标，就需要加入小目标检测层，当添加小目标检测层有时会适得其反，并不会有所改进。看论文对于小目标的定义为：小于32*32像素的目标为小目标。
（yaml能跑通但是有些不合理，等有时间会修改）
添加BiFPN
第一步： 在common.py 文件下添加下列代码
# BiFPN
# 两个特征图add操作
class BiFPN_Add2(nn.Module):
def __init__(self, c1, c2):
super(BiFPN_Add2, self).__init__()
# 设置可学习参数 nn.Parameter的作用是：将一个不可训练的类型Tensor转换成可以训练的类型parameter
# 并且会向宿主模型注册该参数 成为其一部分 即model.parameters()会包含这个parameter
# 从而在参数优化的时候可以自动一起优化
self.w = nn.Parameter(torch.ones(2, dtype=torch.float32), requires_grad=True)
self.epsilon = 0.0001
self.conv = nn.Conv2d(c1, c2, kernel_size=1, stride=1, padding=0)
self.silu = nn.SiLU()
def forward(self, x):
w = self.w
weight = w / (torch.sum(w, dim=0) + self.epsilon)
return self.conv(self.silu(weight[0] * x[0] + weight[1] * x[1]))
# 三个特征图add操作
class BiFPN_Add3(nn.Module):
def __init__(self, c1, c2):
super(BiFPN_Add3, self).__init__()
self.w = nn.Parameter(torch.ones(3, dtype=torch.float32), requires_grad=True)
self.epsilon = 0.0001
self.conv = nn.Conv2d(c1, c2, kernel_size=1, stride=1, padding=0)
self.silu = nn.SiLU()
def forward(self, x):
w = self.w
weight = w / (torch.sum(w, dim=0) + self.epsilon)
# Fast normalized fusion
return self.conv(self.silu(weight[0] * x[0] + weight[1] * x[1] + weight[2] * x[2]))第二步： 修改 yolo.py
elif m in [BiFPN_Add2, BiFPN_Add3]:
c2 = max([ch[x] for x in f])
第三步： 修改 train.py
看下边
该部分代码还请去看迪导博客，他提供很多改进方法，值得学习，强烈推荐！
Yolov5如何更换BiFPN?
6.2版本的train.py代码有些变化，需要进入smart_optomizer这个函数中加入train.py这部分代码
6.2版本会出现报错，后续会解决
2023.3.6 最近在忙并没进行解决，报错的原因大概就是执行顺序的问题
解决思路:把smart_optimizer复制到train.py里，然后加上面红框的代码就可以（如果还报错请留言我再解决）
2023.3.13 解决报错
只需要把smart_optimizer这个函数放在train.py就行，位置随便
# BiFPN_Concat
elif isinstance(v, BiFPN_Add2) and hasattr(v, 'w') and isinstance(v.w, nn.Parameter):
g[1].append(v.w)
elif isinstance(v, BiFPN_Add3) and hasattr(v, 'w') and isinstance(v.w, nn.Parameter):
g[1].append(v.w)导入BiFPN_Add2，BiFPN_Add3
from models.common import BiFPN_Add3, BiFPN_Add2
记得要把这个删除，不然会报错
运行成功
接下来便是修改后的yaml文件
# Parameters
nc: 1 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
anchors: 3 # AutoAnchor evolves 3 anchors per P output layer
# YOLOv5 v6.0 backbone
# Adding connection in architecture between backbone and multi-stage head
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
]
# YOLOv5 v6.0 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, BiFPN_Add2, [256,256]], # 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, BiFPN_Add2, [128,128]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [128, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 2], 1, BiFPN_Add2, [64,64]], # cat backbone P2
[-1, 3, C3, [128, False]], # 21 (P2/4-tiny)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 17, 4], 1, BiFPN_Add3, [128,128]],
[-1, 3, C3, [256, False]], # 24 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 13, 6], 1, BiFPN_Add3, [256,256]],
[-1, 3, C3, [512, False]], # 27 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, BiFPN_Add2, [256,256]],
[-1, 3, C3, [1024, False]], # 30 (P5/32-large)
[[21, 24, 27, 30], 1, Detect, [nc, anchors]], # Detect(P2, P3, P4, P5)
]经过修改后的四检测头结合BiFPN（若有错误还请大佬指点一下）
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# Parameters (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
nc: 1 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
anchors: 4 # AutoAnchor evolves 3 anchors per P output layer
# 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
]
# YOLOv5 v6.0 head with (P2, P3, P4, P5) outputs
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, BiFPN_Add2, [256,256]], # 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, BiFPN_Add2, [128,128]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [128, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 2], 1, BiFPN_Add2, [64,64]], # cat backbone P2
[-1, 1, C3, [128, False]], # 21 (P2/4-xsmall)
[-1, 1, Conv, [128, 3, 2]],
[-1, 1, Conv, [256, 1, 1]],
[[-1, 17, 4], 1, BiFPN_Add3, [128,128]], # cat head P3
[-1, 3, C3, [256, False]], # 25 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[-1, 1, Conv, [512, 1, 1]],
[[-1, 13, 6], 1, BiFPN_Add3, [256,256]], # cat head P4
[-1, 3, C3, [512, False]], # 29 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, BiFPN_Add2, [256,256]], # cat head P5
[-1, 3, C3, [1024, False]], # 32 (P5/32-large)
[[21, 25, 29, 32], 1, Detect, [nc, anchors]], # Detect(P2, P3, P4, P5)
]
题外话文章来源：https://www.toymoban.com/news/detail-413936.html
这个博客中的BiFPN代码有两个版本，个人感觉第二个版本更合理些，因为不会出现我用1*1conv更换通道使得BiFPN_Add3结合成功，可以尝试下文章来源地址https://www.toymoban.com/news/detail-413936.html
到了这里，关于yoloV5更换BiFPN结合小目标检测层的文章就介绍完了。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！
