第Y3周：yolov5s.yaml文件解读

🍨 本文为🔗365天深度学习训练营中的学习记录博客
🍖 原作者：K同学啊|接辅导、项目定制

✅本周任务：将yolov5s网络模型中第4层的C3*2修改为C3*1，第6层的C3*3修改为C3*2。

简单介绍：

YOLOv5配置了4种不同大小的网络模型，分别是YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，其中YOLOv5s是网络深度和宽度最小但检测速度最快的模型，其他3中模型都是在YOLOv5s的基础上不断加深、加宽网络使得网络规模扩大，在增强模型检测性能的同时增加了计算资源和速度消耗。出于对检测精度、模型大小、检测速度的综合考量，本文选择YOLOv5s作为研究对象进行介绍。

./models/yolov5s.yaml文件是YOLOv5s网络结构的定义文件，如果你想改进算法的网络结构，需先修改该文件中的相关参数，然后再修改./models/common.py与./models/yolo.py中的相关代码。

yolov5s.yaml文件解读

一、前导知识-yaml文件介绍
二、查看配置文件
- 1. 参数配置
- 2.anchors配置
- 3、backbone
- 4、head
三、修改配置文件

一、前导知识-yaml文件介绍

YAML简单介绍

二、查看配置文件

yolov5的所有网络yaml文件如下：

在这里插入图片描述
我们需要修改的网络参数配置文件为yolov5s.yaml，其文件的内容如下：

在这里插入图片描述

1. 参数配置

在这里插入图片描述

depth_multiple：channel的缩放系数，就是将配置里面的backbone和head部分有关通道的设置，全部乘以该系数即可
width_multiple：BottleneckCSP模块的层缩放系数，将所有的BottleneckCSP模块的number系数乘上该参数就可以最终的层个数

2.anchors配置

在这里插入图片描述

小目标3组：[10, 13]， [16, 30]， [33, 23]
中目标3组：[30, 61]， [62, 45]， [59,119]
大目标3组：[116,90]， [156,198]， [373,326]

YOLOv5初始化了9个anchor，在3个Detect层（3个feature map）中使用，每个feature map的每个grid_cell都有3个anchor进行预测。分配规则是：尺度越大的feature map越靠前，相对原图的下采样率越小，感受野越小，则相对可以预测一些尺度比较小的物体，所有分配到定anchor越小；尺度越小的feature map越靠后，相对原图的下采样率越大，感受野越大，则相对可以预测一些尺寸比较大的物体，所有分配到的anchor也越大。即可以在小特征图（feature map）上检测大目标，也可以在大特征图上检测小目标。
YOLOv5根据工程经验得到了这么3组anchors（9对尺寸参数），对于很多数据集而言已经很合适了。但也不能保证这3组anchor就适用于所有数据集，所以YOLOv5还有一个anchor进化的策略：使用k-means和遗传进化算法，找到与当前数据集最吻合的anchors。