YOLOv5 模型结构

C3模块结构图

修改目标

修改目标是移除C3模块concat后的卷积操作

YOLOv5的模型存储在项目目录下的models目录中。

• 一些以yaml为后缀的文件保存了一些模型的超参数，通过不同的参数，形成了yolov5s,yolov5n,yolov5l等不同参数等级，不同性能的网络模型。
• segment文件夹保存的是用于分割的配置
• experimental.py 文件中保存了一些实验性质的模块
• tf.py是tensorflow版本的YOLOv5
• yolo.py 是pytorch版本的YOLOv5,这个文件中主要存放了yolo专用的模型
• common.py 是pytorch版本的，YOLO用到的一些基本模块，例如上图中的C3模块、Conv卷积块、Bottleneck瓶颈块等。

要想实现修改C3模块，就要从common.py入手。

common.py的简单介绍

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；创建了Classify用于二级分类。

修改代码

通过阅读源代码可知，想要删除上图中，concat后面的Conv模块，就要让concat的结果能够满足代码中原本cv3的输出格式。可以发现默认的伸缩因子就是0.5,会把cv1和cv2的输出变成c2的一半。这样concat后刚好就是c2，可以直接移除cv3层。但是有可能会出现c3是奇数的情况，这种时候我将通道大的部分分给了bottleneck模块。
修改后的代码如下：

训练修改后的模型，得到的准确率如下：

对比修改前的模型运行准确率：

对比修改前后的准确率，可以发现这层卷积的影响还是很大的，总体的准确率下降了5%。猜测是连接后的特征图直接进行接下来的处理，不能使C3模块两条向前传播的线路捕捉的特征很好的融合到一起，从而影响模型的准确率。