yolov5之yaml文件解析

最新推荐文章于 2025-04-24 16:03:22 发布

原创

最新推荐文章于 2025-04-24 16:03:22 发布 · 2.5k 阅读

33 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO #计算机视觉 #深度学习

文章详细解读了Yolov5s.yaml配置文件中的parameters、backbone和head三大部分，包括类别数、模型深度和宽度的控制、锚框设置、网络结构如C3、SPPF模块以及检测头的功能。文章强调了参数如何影响模型大小、速度和精度之间的平衡，并介绍了不同层次的特征图在物体检测中的作用。

文章目录

前言
- Parameters
- Backbone
- Head
总结

前言

学了yolov5很长时间了，但是突然看yaml文件还有一些不懂。现在弄明白了，写一篇记录一下，也跟大家分享一下。非常享受知识传播的快乐，虽然我写的不咋滴哈哈😊
从三个部分对yolov5s.yaml文件进行解读，分别是parameters、backbone、head这三部分。

Parameters

nc: 6  # number of classes
depth_multiple: 0.33  # model depth multiple #控制模型的深度
width_multiple: 0.50  # layer channel multiple #控制Conv的通道数
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

nc：是你数据集里面被检测的物体类别数。（这里我的数据集中物体类别是6）
depth_multiple：控制网络模型的深度（模块数和层数），相当于整体缩放因子。比如depth_multiple = 0.5，则模型所以的模块数和层数都减半。
width_multiple：控制卷积层的通道数，相当于通道数缩放因子。同理，width_multiple=0.5，则模型中的所有卷积层通道数都将减半。
anchors: 设定的初始锚框的大小，分别对应大、中、小目标，三个不同大小的特征图。每一行有六个数字，每两个数字表示一个锚框的宽和高。
注： depth_multiple和width_multiple可以用于控制模型大小和速度之间的平衡。较大的值会增加模型的大小和精度，但会增加计算量和推理时间。较小的值会减小模型的大小和精度，但会减少计算量和推理时间。

Backbone

  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-

最低0.47元/天解锁文章