S153580的博客

共享计算：在YOLO中，backbone对于输入图像只计算一次，生成的特征图被多个检测头（head）共享，这些检测头负责最终的边界框预测、类别预测和置信度预测。这种设计减少了重复计算，提高了检测效率。降维和抽象：Backbone通过连续的卷积层逐步减少特征图的尺寸（即空间维度），同时增加特征图的深度（即通道数），从而实现对输入图像的降维和抽象。鲁棒性：Backbone的设计通常包含多种卷积层和池化层，这些层可以提高网络对图像变换（如缩放、旋转和平移）的鲁棒性，使得模型能够在不同的环境和条件下稳定地工作。

这次任务和Y2很像，也算是一种复习，把这一个步骤来过。对与召回率较低的，要进行数据增强来改善结果。

在yolov5s.yaml中，在backbone把索引为4的层从C3 * 2修改为C2 * 2 ，在yolov5s.yaml中指出depth_multiple为0.33，0.33 * 6 约等于 2，所以第4层为：[-1, 6, C2, [256]]刚开始修改的时候我以为这样就结束了，但是后来想到牵一发而动全身，肯定还有其他地方被影响了，于是上网搜查，再返回以前的进行理解，才意识到还要改一下head文件的配置。这里要根据Y5的经验进行修改，把C3的concat后的Conv去掉就好了。

在YOLOv5中，YOLO.py文件扮演着核心角色，主要负责搭建和定义YOLOv5的网络模型。以下是关于YOLO.py文件概述YOLO.py位于YOLOv5项目的models目录下。该文件是YOLOv5网络模型构建的关键文件之一。如果想要改进YOLOv5模型，通常需要修改这个文件。主要功能模型解析和构建YOLO.py中的parsemodel函数负责解析模型文件（通常是字典形式），并据此构建网络结构。类定义：文件中定义了Detect类和Model类，这些类是实现YOLOv5模型的核心部分。

将yolov5s网络模型中C3模块中的结构按照如下方式修改，并跑通YOLOv5。在YOLOv5中，common.py文件是一个关键组件，它包含了实现YOLO算法中各个模块的代码。以下是对common.py文件位置和作用common.py位于./models目录下。该文件定义了YOLOv5网络结构中的多个基础模块，如果需要修改某一模块（例如C3模块），就需要修改这个文件中对应模块的定义。导入的包和基本配置：文件开始部分导入了多个Python模块，如mathcopypathlibnumpypandas。

YOLOv5中的C3模块是一种神经网络模块，它是Cross Stage Partial networks（CSPNet）的一个变体，旨在提高网络的效率和性能。C3模块的核心思想是通过将输入特征图分成两部分，然后分别进行处理，最后再将这两部分的特征图合并，以此来实现更丰富的特征融合和更有效的信息传递。

在上一次体验yolov5s的为基础上，这次将训练自己的数据集。在YOLO目标检测算法中常用的三种标签格式：voc(xml)、coco(json)和yolo(txt)。

当然，你也可以手动添加对应的环境变量；从本周开始YOLO的学习啦。教案选择的是YOLOv5s。然后再自己找个视频（如果你是训练营的就用提供的视频）放到路径下。然后就会逐帧加测，等很久很久过后就能出现一个满是检测框的视频啦。如果中途出现这种黄色的warning，其实不用管就行了。在上面文件路径行输入cmd就会直接跳转到cmd啦。等安装好后输入这段代码，等出现下面的结果就好啦。打开网页之后下载zip包解压到自己想要的路径。再输入图片展示的命令行将环境依赖安装好。GITHUB的开源地址如下。