一.yolov5模型结构与构建原理

修改模型结构，全部在models文件夹下面

models/common.py   （加入新增网络细节）

models/yolo.py          （设定网络结构传参细节）

models/##.yaml         （修改模型结构配置文件）

---

上一篇博客用的自己标注的火影的数据集，修改的是data

data/##.yaml,

然后把数据集datasets放进项目里面

没有修改模型本身

 1.用tensorboard可视化来理解模型结构：

进入到group图

综合上面的3个图，我们可以这样总结：
(1)每经过一个卷积conv,特征图/2

(2)每一层都有层数标号，从0开始,这个标号非常重要，决定了特征融合是哪一层和哪一层融合（相同大小的特征图才能彼此融合）

(3)最后是融合之后的17，20，23层成为3种size的特征头

2.理解深层逻辑

（1）在train.py里面找到#model

我们只关注最后一行，给model传的参列表

cfg:对应yolov5s.yaml文件

ch:通道数为3

nc:原始类别数，修改yaml会对其更新

（2）进到Model里面看看实现

会发现这个Model其实等于DetectionModel的返回值

---

 yolo.py：

（3）进入DetectionModel看看具体实现

会发现竟然跳到了yolo.py里面来 惊！

还记得文章最前面的这个吗？

可以看到默认是这样的：cfg果然默认是yolov5s.yaml

并且nc值如果和默认的.yaml不一样会修改nc值

还可以看到里面有这一行：

（4）转入parse_model看看

d：.yaml（注意：我们从上一层传入这个的原因是我们要遍历和使用.yaml文件里面的内容

ch:通道数

1. 遍历.yaml

from:输入来自哪一层   number:重复几次   model    args(参数）

补充：depth_multiple:控制真正的重复次数 number=max(1,depth_multiple*number)

width_multiple:控制输出通道数 Eg：下面这个64      

这个64,6,2,2,其实对应的是Conv里面_init_的c2,k,s,p这四个，因为c1可以直接用保存的上一层的通道数，不用单独传参

commom.py里面

2.

所以ch[f],f=-1（输入通道数）

输出通道数c2=args[0]=64(其中一个例子）

二.修改网络结构（以C2f为例）

总：要修改yolov5的模型结构的话，主要改的是commom.py,yolo.py,.yaml这3个文件

目的：yolov5->yolov8的模型结构

yolov8代码下载地址：

GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

1.加入新增网络结构

打开yolov8文件，找到E:\ultralytics-main\ultralytics\nn\modules\block.py<=>yolov5里面的common.py

找到 C2f:

把C2f复制粘贴放到yolov5 的common.py的c3前面

因为C2f里面有Bottleneck这个函数，所有要把Bottleneck也粘贴过来

避免麻烦，我们在两个地方都加一个C2f

2.设定网络结构传参细节

在yolov5的yolo.py里面找到

def parse_model(d, ch):

加上C2f (因为它和C3的结构类似,直接加）

 3.修改模型结构配置文件.yaml

(1)复制粘贴重命名一个yolov5s-C2f.yaml

(2)把里面的C3改成C2f

(3)改train.py里面的cfg

改为：

在服务器上跑结果：

 successful!

三.引入注意力机制

借鉴代码：https://github.com/ZhugeKongan/Attention-mechanism-implementation

里面的se_block

1.加入新增网络结构

把借鉴的代码复制粘贴到common.py中

C2fBottleneck(nn.Module):的前面

2.修改模型结构配置文件

复制粘贴重命名yolov5s-se.yaml

修改backbone,加一个SE

因为相当于中间多加了一个第10层：

所以后面大于10层的层号都要变一下：+1

3.设定网络结构的传参细节

yolo.py

四.替换主干网络backbone（特征提取部分）为MobileNet

我们要的是models.mobilenet里面的features部分（第一个sequencial)

1-3：还不满足我们的采样要求

4：8倍下采样

5-9 ：16倍下采样

10-最后：32倍下采样

head:(不用改）

backbone：（是我们修改主干真正要改的）

1.common.py里面加上：

2. .yaml

复制粘贴重命名：

注：输出通道数是查找了：

因为backbone里面变成3层了，head里面拼接的层数也要变：

3.yolo.py里面

注意：这个args是.yaml里面穿的参

arge[0]对于的是输出通道数      .yaml里面backbone的[24,1]中的24

4.改train.py里面

总结：其实是起到一个模型轻量化的作用，层数变多了，参数量变少了