yolo源码注释1——文件结构

代码基于yolov5 v6.0

yolo源码注释1——文件结构
yolo源码注释2——数据集配置文件
yolo源码注释3——模型配置文件
yolo源码注释4——yolo-py

datasets # 用于存放数据集的默认文件夹
yolov5
data # 模型训练的超参数配置文件以及数据集配置文件
hyps # 存放超参数配置文件（yaml格式）
hyp.scratch-high.yaml：适用于较大的模型结构，如 yolol
hyp.scratch-low.yaml：适用于较小的模型结构，如 yolos
hyp.scratch-med.yaml：适用于中等模型结构，如 yolom

images # 存放了官方提供的两张测试图片：bus.jpg 和 zidane.jpg
scripts # 用于下载数据集以及权重文件的shell脚本
download_weight.sh：下载权重文件
get_coco.sh：下载 coco 数据集
get_coco128.sh：下载 coco128 数据集

XXX.yaml：各种数据集的配置文件，如 coco.yaml 是 coco 数据集的配置文件

models # 搭建模型的相关配置文件及代码
hub # 存放各版本网络模型的配置文件
anchors.yaml：coco 数据集的默认 anchor
yolovX-XXX.yaml：模型配置文件

common.py：用于搭建网络的模块，如Conv、DWConv、TransformerLayer等
experimental.py：实验性质的代码，其中一些模块是近几年提出来的，如CrossConv、Sum等，yolov5的作者尝试将其融合进yolov5中
tf.py：TensorFlow版本的yolov5代码
yolo.py：主要用于搭建yolov5的网络模型
yolov5X.yaml：yolov5的模型配置文件

runs #运行过程中产生的文件夹，每运行一次都会生成一个名为 expN 的文件夹（N代表运行次数）
detect # 运行 detect.py 产生的图片，图片中标注出识别到的物体及其概率
train # 运行 train.py 产生的文件
weights # 权重（包括训练出的最好权重 best.pt 以及上次训练的权重 last.pt）
confusion_matrix.png：混淆矩阵
F1_curve.png：F1 score 与置信度之间的关系
hyp.yaml：超参数记录文件
labels.jpg：包含四张子图，从左上到右下分别是每个类别的个数、标注的 bbox、标注的bbox的中心点坐标热图、bbox的宽高热图
labels_correlogram.jpg：预测框的宽高以及中心坐标热图
opt.yaml：模型记录文件
P_curve.png：准确率与置信度之间的关系
PR_curve.png：精准率与召回率之间的关系
R_curve.png：精准率与置信度之间的关系
results.csv：模型训练过程中的指标，如损失函数、准确率等
results.png：训练集以及验证集在验证过程中的损失函数、mAP等指标的曲线
train_bathN.jpg：训练集图像（带bbox）
val_batchN_labels.jpg：验证集图像（带bbox）
val_batchN_pred.jpg：验证集图像（带预测框）

utils # 通用的工具类函数
aws：恢复中断训练相关
docker：docker配置相关
flash_rest_api：flask接口相关
google_app_engine：google app相关
loggers：日志打印（包括TensorBoard）
activations.py：激活函数
augmentations.py：图像增强
autoanchor.py：自动生成 anchor
autobatch.py：自动生成 batch size
benchmarks.py：评估模型的推理速度以及分析内存占用
callbacks.py：主要是 logger 的回调函数
datasets.py：配置 dataloader 和 datasets
downloads.py：下载数据集
general.py：通用函数
loss.py：损失函数
metrics.py：模型验证指标
plots.py：绘制损失函数等的曲线、bbox等
torch_utils.py：其他一些通用函数

detect.py：将训练好的模型用于图片、视频等进行目标检测
export.py：导出模型
hubconf.py：pytorch hub 相关，用于定义和管理模型的预训练权重和配置信息
train.py：训练模型
val.py：验证模型，评估模型性能