🍨 本文为[🔗365天深度学习训练营学习记录博客
🍦 参考文章：365天深度学习训练营
🍖 原作者：[K同学啊 | 接辅导、项目定制](https://mtyjkh.blog.csdn.net/)
🚀 文章来源：[K同学的学习圈子](https://www.yuque.com/mingtian-fkmxf/zxwb45)
基于深度学习的目标检测模型的结构:输入->主干->脖子->头->输出。主干网络提取特征，脖子提取一些更复杂的特征，然后头部计算预测输出。
YOLOv5网络结构主要由以下几部分组成:
骨干网络(Backbone) ：Backbone:骨干网络，主要指用于特征提取的，已在大型数据集(例如ImageNet|COCO等)_上完成预训练，拥有预训练参数的卷积神经网络，例如: ResNet-50、 Darknet53等
颈部网络(Neck)：Neck:颈部网络，在Backone和Head之间， 会添加一-些用于收集不同阶段中特征图的网络层。
头部网络(Head)：主要用于预测目标的种类和位置(bounding boxes)
YOLOv5的配置文件（通常是`.yaml`文件）包含了用于训练和测试YOLOv5模型的各种参数和超参数设置。
# YOLOv5 🚀 by Ultralytics, AGPL-3.0 license
# Parameters
nc: 80 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple- nc 表示 "number of classes"，即目标检测任务中的类别数量。
- depth_multiple 是模型深度的倍数，它用于调整YOLOv5的网络深度。在这里，它被设置为0.33，意味着模型的深度将是标准深度的1/3。
- width_multiple 是模型通道宽度的倍数，它用于调整YOLOv5的通道宽度。
anchors:
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32anchors 参数包含了一组锚框（anchor boxes），每个锚框是一个宽度和高度的列表。这些锚框通常是在不同尺度的特征图上使用的，以便模型可以检测不同大小的目标。
每行对应一个不同尺度的特征图。在这个示例中，有三个不同尺度的特征图，分别是P3/8、P4/16和P5/32。每个特征图使用两个锚框，因此每个特征图有两行，每行包含了两个锚框。
每个锚框的宽度和高度的值是按顺序排列的，这些值通常是根据目标数据集和任务来选择的。
-
作用：
-
提供不同尺度的预定义边界框，以适应不同大小的目标。这些锚框有助于模型精确地定位目标的位置。
-
通过使用不同比例的锚框，模型可以更好地处理大尺寸和小尺寸的目标。
-
-
如何使用：
-
在训练YOLOv5模型时，
anchors参数会被用于计算目标检测框的损失函数。模型会预测每个锚框的位置和类别，然后使用这些预测值与真实目标框进行比较，从而计算损失。 -
模型会根据训练数据自动调整锚框，以便更好地适应目标的大小和形状。训练过程中，模型会学习如何根据预测值来调整锚框，以提高检测准确性。
-
在推理（测试）阶段，模型使用这些锚框来生成目标检测框。它会使用预测的坐标偏移量和锚框的宽度、高度来确定目标框的位置。模型会使用类别预测来确定目标的类别。
-
锚框的选择和调整通常会影响模型的性能和准确性。如果数据集包含特定尺寸和比例的目标，可以根据数据集的特点来选择或优化锚框的值，以获得更好的检测性能。
-
# 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
]-
[[from, number, module, args]]：这个部分包含了一系列的网络模块，每个模块由一个列表表示。每个模块描述了一个阶段或层的配置。 -
[-1, 1, Conv, [64, 6, 2, 2]]：这是第一个模块，它执行卷积操作。具体来说，它执行了以下操作：-
from：-1 表示从上一个阶段继承特征图。 -
number：1 表示只有一个卷积层。 -
module：Conv 表示卷积层。 -
args：[64, 6, 2, 2] 包含了卷积层的参数，包括输出通道数（64）、卷积核大小（3x3），步幅（2），和填充（2）等。
-
-
[-1, 1, Conv, [128, 3, 2]]：这是第二个模块，它也是一个卷积层，输出通道数为128，卷积核大小为3x3，步幅为2。 -
[-1, 3, C3, [128]]：这是一个C3模块，它执行一系列的卷积操作以提取特征。[-1, 3, C3, [128]]中的3表示它包含3个卷积层，[128]表示输出通道数。 -
类似地，接下来的模块定义了主干网络中的其他阶段，每个阶段包括不同数量的卷积层和特定的配置。
-
[-1, 1, SPPF, [1024, 5]]：最后一个模块是SPPF（Spatial Pyramid Pooling with Fused），它执行空间金字塔池化操作。这个操作用于捕获不同尺度的上下文信息，以提高模型的感知能力。
# 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)
]-
[[from, number, module, args]]：这个部分包含了一系列的网络模块，每个模块由一个列表表示。每个模块描述了一个阶段或层的配置。 -
[-1, 1, Conv, [512, 1, 1]]：这是第一个模块，它执行一个卷积操作。具体来说，它执行了以下操作：-
from：-1 表示从上一个阶段继承特征图。 -
number：1 表示只有一个卷积层。 -
module：Conv 表示卷积层。 -
args：[512, 1, 1] 包含了卷积层的参数，包括输出通道数（512）、卷积核大小（1x1），步幅（1）等。
-
-
[-1, 1, nn.Upsample, [None, 2, 'nearest']]：这个模块执行上采样操作，将特征图的分辨率增加两倍。 -
[[-1, 6], 1, Concat, [1]]：这个模块使用Concat操作，将来自主干网络的P4特征图与当前特征图进行连接。 -
[-1, 3, C3, [512, False]]：这是一个C3模块，它包含了一系列卷积操作，用于处理特征。[512, False]表示输出通道数为512。 -
类似地，接下来的模块定义了头部网络中的其他阶段，每个阶段包括不同数量的卷积层和特定的配置。文章来源：https://www.toymoban.com/news/detail-740857.html
-
[[17, 20, 23], 1, Detect, [nc, anchors]]：最后一个模块是Detect模块，用于执行目标检测。它将来自不同尺度的特征图（P3、P4、P5）进行连接，以便进行目标检测。nc表示类别的数量，anchors表示锚框的配置。文章来源地址https://www.toymoban.com/news/detail-740857.html
到了这里，关于YOLOv5 - yolov5s.yaml 文件的文章就介绍完了。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！
