模型配置介绍 yolov5s.yaml

YOLOv5的Backbone详解、

1、参数

# Parameters
nc: 80  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

1）nc: 8

（1）代表数据集中的类别数目，例如MNIST中含有0-9共10个类。

2）depth_multiple: 0.33

（1）用来控制模型的深度，仅在number≠1时启用。

（2）如第一个C3层（c3具体是什么后续介绍）的参数设置为[-1, 3, C3, [128]]，其中number=3，表示在v5s中含有1个C3（3*0.33）；

（3）同理，v5l中的C3个数就是3（v5l的depth_multiple参数为1）。

3）width_multiple: 0.50

（1）用来控制模型的宽度，主要作用于args中的ch_out。

（2）如第一个Conv层，ch_out=64，那么在v5s实际运算过程中，会将卷积过程中的卷积核设为64x0.5，所以会输出32通道的特征图。

2、backbone

# 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
  ]

1）from：

（1）-n代表是从前n层获得的输入，如-1表示从前一层获得输入

2）number：

（1）表示网络模块的数目，如[-1, 3, C3, [128]]表示含有3个C3模块

3）model：

（1）表示网络模块的名称，具体细节可以在./models/common.py查看，如Conv、C3、SPPF都是已经在common中定义好的模块

4）args：

（1）表示向不同模块内传递的参数，即[ch_out, kernel, stride, padding, groups]

（2）这里连ch_in都省去了，因为输入都是上层的输出（初始ch_in为3）。

（3）为了修改过于麻烦，这里输入ch_in的获取是从./models/yolo.py的def parse_model(md, ch)函数中解析得到的

5）例如：

[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2

（1）input：3x640x640

（2）[ch_out, kernel, stride, padding]=[64, 6, 2, 2]

（3）故新的通道数为64x0.5=32

（4）根据特征图计算公式：Feature_new=(Feature_old-kernel+2xpadding)/stride+1可得：新的特征图尺寸为：Feature_new=(640-6+2x2)/2+1=320

6）例如：

[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4

（1）input：32x320x320

（2）[ch_out, kernel, stride]=[128, 3, 2]

（3）同理可得：新的通道数为64，新的特征图尺寸为160