Press "Enter" to skip to content

【目标检测】YOLOv5:模型构建解析

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

最近在看一些目标检测的最新论文和代码,大多数都是在YOLOv5的基础上进行魔改。

 

改的最多的基本是原版本的网络结构,这篇博文就从源码角度来解析YOLOv5中,模型是如何构建出来的。

 

本文使用的是YOLOv5-5.0版本。

 

模型的深度和宽度

 

在YOLOv5中,模型结构基本是写在了 .yaml 中,5.0版本的YOLOv5共有yolov5s,yolov5m,yolov5l和yolov5x四个版本,这四个版本的模型结构一模一样,不同的是两个参数 depth_multiplewidth_multiple ,分别表示模型的深度因子和宽度因子。

 

yolo.py 中, parse_model 函数下的这行代码将深度因子和宽度因子进行读取和赋值。

 

anchors, nc, gd, gw = d['anchors'], d['nc'], d['depth_multiple'], d['width_multiple']

 

depth_multiple

 

首先看深度因子,深度因子参与运算的是这行代码:

 

n = max(round(n * gd), 1) if n > 1 else n  # depth gain

 

这里的n表示结构的个数,也就是说,n是个>=1的整数(起码得有一个,否则不存在),depth_multiple越大,那幺模型结构的个数也越多,因此网络就更”深“。

 

width_multiple

 

再看宽度因子,宽度因子参与运算的是这行代码:

 

c2 = make_divisible(c2 * gw, 8)

 

这个c2代表当前层的输出的通道(channel)数,也就是说,width_multiple越大,那幺模型结构的通道数越多,因此看起来就更”宽“。

 

网络构建

 

下面到了最核心的网络构建部分,从YOLOv3开始,YOLO系列的网络结构都分成骨干(backbone),颈部(neck)和头部(head),但是在代码中,颈部和头部被统一写在了head之中。

 

backbone

 

以yolov5s为例:

 

首先来看backbone部分,backbone的代码如下:

 

backbone:
  # [from, number, module, args]
  # from表示当前模块的输入来自那一层的输出,-1表示来自上一层的输出
  # number表示本模块重复的次数,1表示只有一个,3表示重复3次
  # module: 模块名
  [[-1, 1, Focus, [64, 3]],          # 0-P1/2   [3, 32, 3]
   [-1, 1, Conv, [128, 3, 2]],       # 1-P2/4   [32, 64, 3, 2]
   [-1, 3, C3, [128]],               # 2        [64, 64, 1]
   [-1, 1, Conv, [256, 3, 2]],       # 3-P3/8   [64, 128, 3, 2]
   [-1, 9, C3, [256]],               # 4        [128, 128, 3]
   [-1, 1, Conv, [512, 3, 2]],       # 5-P4/16  [128, 256, 3, 2]
   [-1, 9, C3, [512]],               # 6        [256, 256, 3]
   [-1, 1, Conv, [1024, 3, 2]],      # 7-P5/32  [256, 512, 3, 2]
   [-1, 1, SPP, [1024, [5, 9, 13]]], # 8        [512, 512, [5, 9, 13]]
   [-1, 3, C3, [1024, False]],       # 9        [512, 512, 1, False]
  ]

 

这里拿 【YOLOV5-5.x 源码解读】yolov5s.yaml 这个博主绘制的网络结构图进行对比。

 

图中的四个参数(例如[1,3,640,640])分别表示一个batch中的样本数、通道数、图像长宽。

 

以第一个卷积层为例,它的参数是这样算的:

 

输入[1,32,320,320],卷积层参数是128个out_channel,3像素的kernel_size,2像素的stride

 

卷积计算公式如下:

 

out_size = (in_size - K + 2P)/ S +1

 

那幺,输出特征图的长宽为round((320-3)/2 + 1)=160,因此输出特征图尺寸为160×160,这里初看可能会产生疑惑的是卷积层定义的out_channel明明是128,为什幺输出channel却变成了64?其实,这就是前面提到宽度因子在起作用。yolov5s的宽度因子为0.5,这就导致真实的out_channel = 128×0.5 = 64。

 

因此,输入结果就变成了(1,64,160,160)

 

其它模块的计算方式类似。

 

第一个”-1“表示,输入来自上一个模块,这里全都是-1,即模块是一溜子的顺序下来,和图对比可以一一对应上。

 

head

 

首先来看head部分,head的代码如下:

 

head:
  [[-1, 1, Conv, [512, 1, 1]], # 10                 [512, 256, 1, 1]
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], # 11 [None, 2, 'nearest']
   [[-1, 6], 1, Concat, [1]],  # 12 cat backbone P4 [1]
   [-1, 3, C3, [512, False]],  # 13                 [512, 256, 1, False]
   [-1, 1, Conv, [256, 1, 1]], # 14                 [256, 128, 1, 1]
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], #15  [None, 2, 'nearest']
   [[-1, 4], 1, Concat, [1]],  # 16 cat backbone P3 [1]
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)    [256, 128, 1, False]
   [-1, 1, Conv, [256, 3, 2]], # 18                 [128, 128, 3, 2]
   [[-1, 14], 1, Concat, [1]], # 19 cat head P4     [1]
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)  [256, 256, 1, False]
   [-1, 1, Conv, [512, 3, 2]], # 21                 [256, 256, 3, 2]
   [[-1, 10], 1, Concat, [1]], # 22 cat head P5     [1]
   [-1, 3, C3, [1024, False]], # 23 (P5/32-large)   [512, 512, 1, False]
   [[17, 20, 23], 1, Detect, [nc, anchors]],  # 24  Detect(P3, P4, P5)
  ]

 

我在图中标了序号,对照代码看应该比较清楚。

 

注,每一个检测头使用1×1的卷积核来调整维度,这个卷积核不包括在 .yaml 文件中。

 

最后一行输出17,20,23,即使用这三个卷积层输出的特征图进行检测,按照论文的说法即是对应大目标,中目标和小目标。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注