88 lines
5.9 KiB
YAML
88 lines
5.9 KiB
YAML
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
|
||
|
||
# Parameters
|
||
nc: 10 # number of classes code种类，不需要修改，会根据样本集yaml里的code数量修改
|
||
depth_multiple: 0.33 # model depth multiple 模型深度，
|
||
#depth_multiple表示channel的缩放系数，就是将配置里面的backbone和head部分有关通道的设置，全部乘以该系数即可
|
||
width_multiple: 0.50 # layer channel multiple 模型宽度
|
||
#width_multiple表示BottleneckCSP模块的层缩放系数，
|
||
#将所有的BottleneckCSP模块的number系数乘上该参数就可以最终的层个数；
|
||
#如果希望大一点，就把这个数字改大一点，网络就会按比例变深、变宽；如果希望小一点，就把这个数字改小一点，网络就会按比例变浅、变窄
|
||
anchors:
|
||
- [4,5, 8,10, 22,18] # P2/4
|
||
- [10,13, 16,30, 33,23] # P3/8
|
||
- [30,61, 62,45, 59,119] # P4/16
|
||
- [116,90, 156,198, 373,326] # P5/32
|
||
|
||
#
|
||
# 尺度越大的 feature map 越靠前，相对原图的下采样率越小，感受野越小， 所以相对可以预测一些尺度比较小的物体(小目标)，分配到的 anchors 越小。
|
||
# 尺度越小的 feature map 越靠后，相对原图的下采样率越大，感受野越大， 所以可以预测一些尺度比较大的物体(大目标)，所以分配到的 anchors 越大。
|
||
# 即在小特征图（feature map）上检测大目标，中等大小的特征图上检测中等目标， 在大特征图上检测小目标。
|
||
# YOLOv5 v6.0 backbone
|
||
backbone:
|
||
# [from, number, module, args]
|
||
# 第一个参数 from ：从哪一层获得输入，-1表示从上一层获得，[-1, 6]表示从上层和第6层两层获得。
|
||
# 第二个参数 number：表示有几个相同的模块，如果为9则表示有9个相同的模块。
|
||
# 第三个参数 module：模块的名称，这些模块写在common.py中。
|
||
# 第四个参数 args：类的初始化参数，用于解析作为 moudle 的传入参数，即[ch_out（输出通道）, kernel（卷积核尺寸）, stride（步长）, padding（池化）, groups][输出通道数量，卷积核尺寸，步长，padding]，这里连ch_in都省去了，因为输入都是上层的输出（初始ch_in为3）
|
||
#假设输入图片的尺寸为 [3(输入通道),640（输入高）,640（输入宽）]
|
||
[[-1, 1, Conv, [64, 6, 2, 2]], #0 卷积层（foucus） 通道变为64，尺寸减半,则[64，320，320 ]
|
||
[-1, 1, Conv, [128, 3, 2]], #1 卷积层 通道变为128，尺寸减半,则[128，160，160]
|
||
[-1, 3, C3, [128]], #2 C3 通道变为128，尺寸不变,则[128，160，160]，主要用于提取特征
|
||
|
||
[-1, 1, Conv, [256, 3, 2]], #3 卷积层 通道变为256，尺寸减半,则[256，80，80]
|
||
[-1, 6, C3, [256]], #4 C3 通道变为253，尺寸不变,则[256，80，80]主要用于提取特征
|
||
|
||
[-1, 1, Conv, [512, 3, 2]], #5 卷积层 通道变为512，尺寸减半,则[512，40，40]
|
||
[-1, 9, C3, [512]], #6 C3
|
||
|
||
[-1, 1, Conv, [1024, 3, 2]], #7 卷积层 通道变为1024，尺寸减半,则[512，20，20]
|
||
[-1, 3, C3, [1024]], #8 C3
|
||
[-1, 1, SPPF, [1024, 5]], #9 SPPF 将输入通过多个不同大小的MaxPool，然后做进一步融合，能在一定程度上解决目标多尺度问题
|
||
]
|
||
head:
|
||
#neck
|
||
#[512，20，20]
|
||
[[-1, 1, Conv, [512, 1, 1]], #10 卷积层 通道变为512，尺寸不变,则[512，20，20]
|
||
[-1, 1, nn.Upsample, [None, 2, 'nearest']], #11 上采样，通道数不变，尺寸翻倍,则[512，40，40]
|
||
[[-1, 6], 1, Concat, [1]], #12 Concat 特征融合，将上一层与第六层连接起来。通道翻倍，尺寸不变[1024，40，40]
|
||
[-1, 3, C3, [512, False]], #13 C3，不进行short cut 只改变通道数 [512，40，40]
|
||
|
||
[-1, 1, CBAM, [512]], # 14 CBAM
|
||
|
||
[-1, 1, Conv, [256, 1, 1]], #15 卷积层 通道变为256，尺寸不变,则[256，40，40]
|
||
[-1, 1, nn.Upsample, [None, 2, 'nearest']], #16 上采样，通道数不变，尺寸翻倍,则[256，80，80]
|
||
[[-1, 4], 1, Concat, [1]], #17 Concat 特征融合，将上一层与第4层连接起来。通道翻倍，尺寸不变[512，80，80]
|
||
#自己加的
|
||
[-1, 3, C3, [256, False]], #18 C3 不进行short cut 只改变通道数 [256，80，80]
|
||
|
||
[-1, 1, CBAM, [256]], # 19 CBAM
|
||
|
||
[-1, 1, Conv, [128, 1, 1]], #20 卷积层 通道变为128，尺寸不变,则[128，80，80 新加
|
||
[-1, 1, nn.Upsample, [None, 2, 'nearest']], #21 上采样，通道数不变，尺寸翻倍,则[256，160，160] 新加
|
||
[[-1, 2], 1, Concat, [1]], #22 Concat 特征融合，将上一层与第2层连接起来。通道翻倍，尺寸不变[512，160，160] 新加
|
||
#head
|
||
[-1, 3, C3, [128, False]], #23 C3 不进行short cut 只改变通道数 [128，160，160] 新加
|
||
|
||
[-1, 1, CBAM, [128]], # 24 CBAM
|
||
|
||
[-1, 1, Conv, [128, 3, 2]], #25 卷积层 通道变为128，尺寸减半,则[128，80，80] 新加
|
||
[[-1, 20], 1, Concat, [1]], #26 Concat 特征融合，将上一层与第18层连接起来。通道翻倍，尺寸不变[512，160，160] 新加
|
||
[-1, 3, C3, [256, False]], #27 C3 不进行short cut 只改变通道数 [256，160，160] 新加
|
||
|
||
[-1, 1, CBAM, [256]], # 28 CBAM
|
||
|
||
[-1, 1, Conv, [256, 3, 2]], #29 卷积层 通道变为256，尺寸减半,则[256，40，40]
|
||
[[-1, 15], 1, Concat, [1]], #30 Concat 特征融合，将上一层与第14层连接起来。通道翻倍，尺寸不变[512，160，160]
|
||
|
||
[-1, 3, C3, [512, False]], #31 C3 不进行short cut 只改变通道数 [512，40，40]
|
||
|
||
[-1, 1, CBAM, [512]], # 32 CBAM
|
||
|
||
[-1, 1, Conv, [512, 3, 2]], #33 卷积层 通道变为512，尺寸减半,则[512，20，20]
|
||
[[-1, 10], 1, Concat, [1]], #34 特征融合，将上一层与第10层连接起来。通道翻倍，尺寸不变[1024，20，20]
|
||
[-1, 3, C3, [1024, False]], #35 C3 不进行short cut 只改变通道数 [1027，20，20]
|
||
[[23, 27, 31, 35], 1, Detect, [nc, anchors]], # 将21, 24, 27, 30传入检测头
|
||
]
|
||
|