Loser

yolov8的模块代码解读

通过对比最上面的scales和上面两个输出，可以发现，卷积核大小被width来控制，模块重复次数由depth来控制，对照可以写下v8l的输出。根据提供的yolov8n yolov8s的模型输出，推测yolov8l的模型输出。这里配置的是模型的head部分，其结构和使用规则与backbone一致。

使用脚本split_train_val.py，从标注xml文件中抽取出图像的列表和标签信息，并保存到相应的文件中。通过上面训练结束可以看出，总体上达到了98.7%的准确率，99.7%的召回率，效果还是非常不错的。因为YOLO框架使用的是VOC格式的数据集，因此需要生成一个VOC格式的数据文件。下载数据集zip包，并解压，数据集的地址在原作者博客中有。在项目根目录下创建一个文件data.yaml。以下操作全部在fruit_data目录下。使用脚本voc_label.py。

它的kernelsize是3，stride是2，这是一个会让特征图的尺寸缩小一半的卷积，由于我们删除了它，后面的流程中特征图的尺寸会和原来有所不同，最终导致错误。通过对前面知识的回顾，Concat模块会引用上层的模块的输出，体现在配置文件中，就是会引用数组中的下标，但是我们在数组中删除了两个元素，会使数组原本的索引失效。在head的第一层中，使用了一个1x1的卷积，我们把它修改为kernelsize=3,stride=2的卷积。所有的修改至此就完成了，使用train.py脚本训练一下修改后的模型。

上节说到了通过修改YOLOv5的common.py来修改模型的结构，修改的是模块的内部结构，具体某些模块组织顺序等，如插入一个新的模型，则需要在yolo.py文件中修改。

common.py中实现了yolov5所用到的一些模块将卷积、归一化、和激活函数合并成一个Conv模块将通道数先缩小后放大的Bottleneck模块结合跳跃连接、Conv、Bottleneck模块的C3模块为了下采样、降低计算量用的Focus模块融合多尺度特征的SPP（Sptaial Pyramid Pooling，空间金字塔）模块然后在上层又创建了AutoShape进行非模型本身的预处理、后处理过程；创建了Detections用于控制检测的过程，记录状态等；

在YOLOv5的目录中，models文件夹里存储了YOLO的模型配置。定义了YOLOv5s网络结构的定义文件。