yolov5网络结构分析

MingX.Zhao

于 2022-01-01 10:42:09 发布

阅读量1k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习——目标检测文章标签： pytorch 深度学习 python

本文链接：https://blog.youkuaiyun.com/Newt_Scamander/article/details/122265743

本文详细分析了YoloV5s模型的内部结构，通过跟踪输入和输出的形状，揭示了模型中降维卷积、CSP结构、SPP模块、上采样和concat操作如何逐步改变特征尺寸并增加通道数，以实现目标检测。代码示例展示了每一层的作用，包括Focus、Conv、BottleneckCSP、SPP、Upsample和Detect等关键组件，最后指出Detect层接收来自不同尺度的特征图进行预测输出。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

第二次分析（第一次的代码以找回，在下面一节）

在yolo.py里面加入如下代码并运行，注意在前面用sys.path.appen()加入utils和models文件夹的路径。

if __name__ == '__main__':
    cfg = 'yolov5s.yaml'
    ch = 3
    import yaml
    with open(cfg, encoding='ascii', errors='ignore') as f:
        cfg = yaml.safe_load(f)  # 
    model,save = parse_model(cfg,[ch])
    y = []
    x = torch.rand(4,3,640,640)
    for m in model:
        print(f'layer name:{
     
     m.type}, from :{
     
     m.f} index: {
     
     m.i}')
        if m.f != -1 :
            x = y[m.f] if isinstance(m.f, int) else [x if j == -1 else y[j] for j in m.f]
        if isinstance(x,torch.Tensor):
            print(f'shape of input: {
     
     x.shape }')