1. Toy模板网首页
  2. > Toy博客

YOLOv7-tiny网络结构图及yaml文件 详细备注

9月前 作者：创不了浩 分类：Toy博客 阅读(59) 违法举报

这篇具有很好参考价值的文章主要介绍了YOLOv7-tiny网络结构图及yaml文件 详细备注。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

整体网络结构图

YOLOv7-tiny网络结构图及yaml文件 详细备注

yolov7-tiny.yaml

# parameters
nc: 80  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple

# 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

# yolov7-tiny backbone
backbone:
  # [from, number, module, args] ch_out, k=1, s=1, p=None, g=1, act=True
  [[-1, 1, Conv, [32, 3, 2, None, 1, nn.LeakyReLU(0.1)]],  # 0-P1/2  
  
   [-1, 1, Conv, [64, 3, 2, None, 1, nn.LeakyReLU(0.1)]],  # 1-P2/4    
   
   [-1, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  #MCB
   [-2, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 7
   
   [-1, 1, MP, []],  # 8-P3/8
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 14
   
   [-1, 1, MP, []],  # 15-P4/16
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 21
   
   [-1, 1, MP, []],  # 22-P5/32
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 28
  ]

# yolov7-tiny head
head:
  #SPPCSP
  [[-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, SP, [5]],
   [-2, 1, SP, [9]],
   [-3, 1, SP, [13]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -7], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 37
  
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [21, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]], # route backbone P4
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 47
  
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [14, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]], # route backbone P3
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [32, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [32, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 57
   
   [-1, 1, Conv, [128, 3, 2, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, 47], 1, Concat, [1]],
   
   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 65
   
   [-1, 1, Conv, [256, 3, 2, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, 37], 1, Concat, [1]],
   
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-2, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 73
      
   [57, 1, Conv, [128, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [65, 1, Conv, [256, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [73, 1, Conv, [512, 3, 1, None, 1, nn.LeakyReLU(0.1)]],

   [[74,75,76], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5)
  ]

组件模块

MX

池化层，默认表示两倍下采样，

class MP(nn.Module):
    def __init__(self, k=2):
        super(MP, self).__init__()
        self.m = nn.MaxPool2d(kernel_size=k, stride=k)

    def forward(self, x):
        return self.m(x)

   [-1, 1, MP, []],  # 8-P3/8

CBL

就是表示Conv+BN+LeakyReLU
[-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]]

class Conv(nn.Module):
    # Standard convolution
    def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True):  # ch_in, ch_out, kernel, stride, padding, groups
        super(Conv, self).__init__()
        self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p), groups=g, bias=False)
        self.bn = nn.BatchNorm2d(c2)
        self.act = nn.SiLU() if act is True else (act if isinstance(act, nn.Module) else nn.Identity())

    def forward(self, x):
        return self.act(self.bn(self.conv(x)))

    def fuseforward(self, x):
        return self.act(self.conv(x))

SPPCSP

结构图

YOLOv7-tiny网络结构图及yaml文件 详细备注

yaml

yaml文件中如下表示，直接看最后一层输出通道数，尺寸不会变化，SP模块默认设置卷积Pading为卷积核的一半大小

  #SPPCSP
  [[-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]], #20*20*256
   [-2, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]], #20*20*256
   [-1, 1, SP, [5]],
   [-2, 1, SP, [9]],
   [-3, 1, SP, [13]],
   [[-1, -2, -3, -4], 1, Concat, [1]],                         #20*20*512
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],     #20*20*256
   [[-1, -7], 1, Concat, [1]],                                 #20*20*512
   [-1, 1, Conv, [256, 1, 1, None, 1, nn.LeakyReLU(0.1)]],#20  #20*20*256

构建代码

yaml文件中的SP表示如下

# i+2p-k
class SP(nn.Module):
    def __init__(self, k=3, s=1):
        super(SP, self).__init__()
        self.m = nn.MaxPool2d(kernel_size=k, stride=s, padding=k // 2)

    def forward(self, x):
        return self.m(x)

MCB

结构图

YOLOv7-tiny网络结构图及yaml文件 详细备注

yaml文件表示

直接看最后一层输出的通道数看Concat后变化，

   [-1, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],               #40*40*64
   [-2, 1, Conv, [64, 1, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [-1, 1, Conv, [64, 3, 1, None, 1, nn.LeakyReLU(0.1)]],
   [[-1, -2, -3, -4], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1, None, 1, nn.LeakyReLU(0.1)]],  # 30       #40*40*128

common.py代码

通过Conv函数构建即可

参考

yolov7-tiny网络结构图
https://blog.csdn.net/weixin_51346544/article/details/129322706文章来源地址https://www.toymoban.com/news/detail-436729.html

到了这里，关于YOLOv7-tiny网络结构图及yaml文件 详细备注的文章就介绍完了。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！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：
领支付宝红包 赞助服务器费用

相关文章

  • yolov7-tiny结合mobilenetV3（降参提速）

    yolov7-tiny结合mobilenetV3（降参提速）

    在各处看到关于yolo的魔改都是基于yolov5版本的，于是借鉴学习一下用在yolov7-tiny版本上，做一下学习记录。 1、配置yaml文件 2、配置common.py 把以下代码添加至/models/common.py中即可 3、去yolo.py中加载添加的类 找到parse_model中最长那一段，加入所添加的h_sigmoid， h_swish，SELayer，c

    2024年02月16日
    浏览(33)
  • 关于Yolov7-tiny模型瘦身（param、FLOPs）碎碎念

    关于Yolov7-tiny模型瘦身（param、FLOPs）碎碎念

    优于模型落地需要，yolov7-tiny版本的参数量(Param)为6.2M，FLOPs在输入为320*320下为3.46G，想着还能不能再进行减少这两者或其中之一(精度方面还未做效果验证)。 于是翻遍了github，没有关于v7的剪枝方法，替换backbone也大部分是基于yolov5s的，眼花缭乱中看到yolov7的github官方作者的

    2024年02月05日
    浏览(47)
  • YOLOv5源码中的参数超详细解析（2）— 配置文件yolov5s.yaml（包括源码+网络结构图）

    YOLOv5源码中的参数超详细解析（2）— 配置文件yolov5s.yaml（包括源码+网络结构图）

    前言： Hello大家好，我是小哥谈。 配置文件yolov5s.yaml在YOLOv5模型训练过程中发挥着至关重要的作用，属于初学者必知必会的文件！在YOLOv5-6.0版本源码中，配置了5种不同大小的网络模型，分别是YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，其中YOLOv5n是网络深度和宽度最小但检测速度

    2024年02月08日
    浏览(43)
  • yolov5-计算fps（新加入：4. 记录运行B导yolov7-tiny后计算fps的方法）

    yolov5-计算fps（新加入：4. 记录运行B导yolov7-tiny后计算fps的方法）

    参考自：睿智的目标检测21——如何调用摄像头进行目标检测 FPS简单来理解就是图像的 刷新频率 ，也就是 每秒多少帧 假设目标检测网络处理1帧要0.02s，此时FPS就是50 #---------------------------分割线-------------------------------- # 也就是说在计算FPS的时候，会强调 每秒 、 每张 。因

    2024年02月11日
    浏览(38)
  • 深度学习 yolov5等结构图

    深度学习 yolov5等结构图

    今天整理文件时看到自己之前用PPT画的一些结构图，可能也许会有人用得上，就上传上来吧哈哈哈别说这些图画起来还挺费时的，放上PPT版链接可以根据自己的需求更改。 如果有时间的话还是自己动手画一画，画的过程也可以加深对网络结构的理解。 PPT版网盘链接：提取码

    2023年04月24日
    浏览(46)
  • YOLOv5/v7 引入 最新 BiFusion Neck | 附详细结构图

    YOLOv5/v7 引入 最新 BiFusion Neck | 附详细结构图

    YOLO 社区自前两次发布以来一直情绪高涨！随着中国农历新年2023兔年的到来，美团对YOLOv6进行了许多新的网络架构和训练方案改进。此版本标识为 YOLOv6 v3.0。对于性能，YOLOv6-N在COCO数据集上的AP为37.5%，通过NVIDIA Tesla T4 GPU测试的吞吐量为1187 FPS。YOLOv6-S以484 FPS的速度得到了超过

    2024年02月05日
    浏览(39)
  • 如何设计神经网络结构,visio画神经网络结构图

    如何设计神经网络结构,visio画神经网络结构图

    大概试了一下用visio绘制这个图，除了最左面的变形图片外其余基本可以实现（那个图可以考虑用其它图像处理软件比如Photoshop生成后插入visio），visio中主要用到的图形可以在更多形状-常规-具有透视效果的块中找到块图形，拖入绘图区后拉动透视角度调节的小红点进行调整

    2024年01月16日
    浏览(38)
  • word可以画神经网络图吗,如何画神经网络结构图

    word可以画神经网络图吗,如何画神经网络结构图

    大概试了一下用visio绘制这个图，除了最左面的变形图片外其余基本可以实现（那个图可以考虑用其它图像处理软件比如Photoshop生成后插入visio），visio中主要用到的图形可以在更多形状-常规-具有透视效果的块中找到块图形，拖入绘图区后拉动透视角度调节的小红点进行调整

    2024年02月15日
    浏览(42)

  • 改进YOLOv5 | 在 C3 模块中添加【Triplet】【SpatialGroupEnhance】【NAM】【S2】注意力机制 | 附详细结构图

    2024年02月09日
    浏览(40)

  • 改进YOLOv8 | 即插即用篇 | C2F模块增加注意力机制 | 附详细结构图 计算机视觉

    摘要： 本文针对目标检测算法YOLOv8进行改进，通过在C2F模块中引入注意力机制，提高目标的定位和分类性能。文章首先介绍了YOLOv8的基本原理和结构，然后详细阐述了注意力机制的原理和作用，并对修改后的C2F模块结构进行了说明。最后，给出了实验结果和源代码。 引言 目

    2024年02月04日
    浏览(528)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包，优惠每天领

二维码1

领取红包

二维码2

领红包