前言：Hello大家好，我是小哥谈。YOLOv5配置了5种不同大小的网络模型，分别是YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，其中YOLOv5n是网络深度和宽度最小但检测速度最快的模型，其他4种模型都是在YOLOv5n的基础上不断加深、加宽网络使得网络规模扩大，在增强模型检测性能的同时增加了计算资源和速度消耗。出于对检测精度、模型大小、检测速度的综合考量，本文选择普遍使用的YOLOv5s作为研究对象进行介绍。🌈
前期回归：
YOLOv5源码中的参数超详细解析（1）— 项目目录结构解析
目录
🚀1.什么是yaml
🚀2.参数配置
🚀3.先验框配置
🚀4.Backbone部分
🚀5.Head部分
🚀6.整体模型
🚀1.什么是yaml
YAML是"YAML Ain’t a Markup Language"（YAML不是一种标记语言）的递归缩写。YAML的意思其实是：“Yet Another Markup Language”（仍是一种标记语言），主要强调这种语言是以数据为中心，而不是以标记语言为重心，例如像xml语言就会使用大量的标记。🌷
YAML是一个可读性高，易于理解，用来表达数据序列化的格式。它的语法和其他高级语言类似，并且可以简单表达清单（数组）、散列表、标量等数据形态。它使用空白符号缩进和大量依赖外观的特色，特别适合用来表达或编辑数据结构、各种配置文件等。🌴
YAML是一个类似 XML、JSON 的标记性语言，YAML 的设计目标是：
- 人类容易阅读
- 可用于不同程序间的数据交换
- 适合描述程序所使用的数据结构，特别是脚本语言
- 丰富的表达能力与可扩展性
-
易于使用
说明：
YAML 与 XML、JSON的对比♨️♨️♨️
YAML 与 XML
- 具有 XML 同样的优点，但比 XML 更加简单、敏捷等。
YAML 与 JSON
JSON 可以看作是 YAML 的子集，也就是说 JSON 能够做的事情，YAML 也能够做。
YAML能表示得比 JSON 更加简单和阅读，例如“字符串不需要引号”。所以 YAML 容易可以写成 JSON 的格式，但并不建议这种做。
YAML 能够描述比 JSON 更加复杂的结构，例如“关系锚点”可以表示数据引用（如重复数据的引用）。
🚀2.参数配置
详解：
nc：数据集类别个数。
depth_multiple：模型深度，用于控制层的重复的次数(深度)。通过深度参数depth gain在搭建每一层的时候，子模块数量=int(number*depth)，这样就可以起到一个动态调整模型深度的作用。
width_multiple：模型的宽度，用于控制输出特征图的通道数(宽度)。在模型中间层的每一层的卷积核的数量=int(number*width)，这样也可以起到一个动态调整模型宽度的作用。
🚀3.先验框配置
YOLOV5使用k-means聚类法来初始化了9个anchors，任意地选择了9个聚类和3个尺度，然后在各个尺度上均匀地划分聚类。🌾
在COCO数据集上，这9个聚类：
(10×13)，(16×30)，（33×23）,(30×61)，(62×45)，（59×19），(116×90)，（156×198)， (373x326)。
这9个anchor分别在三个Detect层的feature map中使用，每个feature map的每个grid_cell都有三个anchor进行预测。具体如下图所示：
| 特征图 | 13*13 | 26*26 | 52*52 |
| 感受野 | 大 | 中 | 小 |
| 先验框 | （116×90）,（156×198）,（373×326） | （30*61）,（62*45）,（59*119） | （10*13）,（16*30）,（33*23） |
🚀4.Backbone部分
首先介绍 [from, number, module, args] 这四个参数：
from：表示该层的输入从哪来。-1表示输入取自上一层，-2表示上两层，3表示第3层（从0开始数），[-1, 4]表示取自上一层和第4层，依次类推。网络层数的数法在注释里已经标出来了，从0开始，每一行表示一层，例如0-P1/2表示第0层，特征图尺寸为输入的1/21。
number：表示该层模块堆叠的次数，对于C3、BottleneckCSP等模块，表示其子模块的堆叠，具体细节可以查看源代码，当然最终的次数还要乘上depth_multiple系数。
module：表示该层模块的名称，这些模块写在common.py中，进行模块化的搭建网络。
args：表示类的初始化参数，用于解析作为 moudle 的传入参数，会在网络搭建过程中根据不同层进行改变。
关于上述代码各层解释如下所示：👇
第1层是一个卷积层，输出通道数为 64，卷积核大小为 6x6，步长为 2，填充为 2，输出特征图大小为输入的一半。
第2层是一个卷积层，输出通道数为 128，卷积核大小为 3x3，步长为 2，输出特征图大小为输入的一半。
第3层是一个 C3 模块，包含 3 个卷积层，每个卷积层的输出通道数为 128，卷积核大小分别为 1x1、3x3、1x1，不改变特征图大小。
第4层是一个卷积层，输出通道数为 256，卷积核大小为 3x3，步长为 2，输出特征图大小为输入的一半。
第5层是一个 C3 模块，包含 6 个卷积层，每个卷积层的输出通道数为 256，卷积核大小分别为 1x1、3x3、1x1，不改变特征图大小。
第6层是一个卷积层，输出通道数为 512，卷积核大小为 3x3，步长为 2，输出特征图大小为输入的一半。
第7层是一个 C3 模块，包含 9 个卷积层，每个卷积层的输出通道数为 512，卷积核大小分别为 1x1、3x3、1x1，不改变特征图大小。
第8层是一个卷积层，输出通道数为 1024，卷积核大小为 3x3，步长为 2，输出特征图大小为输入的一半。
第9层是一个 C3 模块，包含 3 个卷积层，每个卷积层的输出通道数为 1024，卷积核大小分别为 1x1、3x3、1x1，不改变特征图大小。
第10层是一个 SPPF 层，具有金字塔式空间池化（Spatial Pyramid Pooling），输出通道数为 1024，使用大小为 5x5 的金字塔空间池化。
🚀5.Head部分
YOLOv5中的Head包括Neck和Detect两部分。Neck采用了FPN+PAN结构，Detect结构和YOLOV3中的Head一样。其中BottleNeckCSP带有False，说明没有使用残差结构，而是采用的backbone中的Conv。🌺
四个参数和上面 backbone 一样，这里就不再解释了。🌺
说明：
搭配着yolo.py一起看，会更清晰每个参数的作用。🍺🍺🍺
🚀6.整体模型
