• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊 | 接辅导、项目定制

📕本次任务：将yolov5s网络模型中第4层的C32改为C31，第6层的C33修改为C32
📕提示：仅需修改./models/yolov5s.yaml文件

与v5m、v5l、v5x相比，yolov5s是网络深度和宽度最小但检测速度最快的模型。

yolov5s.yaml中，depth_multiple表示模型子模块的数量，代表了模型的深度，width_multiple表示卷积层的通道个数，代表了卷积核个数，通过修改这两个参数的值就能设计不同复杂度的yolo结构。

yolov5s、 yolov5m、 yolov5l、 yolov5x四种结构的差异在于这两个参数的不同。

yolov5s.yaml
|-depth_multiple: 0.33
|-width_multiple: 0.5

yolov5m.yaml
|-depth_multiple: 0.67
|-width_multiple: 0.75

yolov5l.yaml
|-depth_multiple: 1.0
|-width_multiple: 1.0

yolov5x.yaml
|-depth_multiple: 1.33 
|-width_multiple: 1.25 

一、yolov5s.yaml文件解析

yolov5-master的文件结构如下：

yolov5-master
|-classify
|-data
|-models (本次学习需要的文件在这里面)
	|-hub
	|-segment
	|-common.py
	|-experi,emtal.py
	|-tf.py
	...
	|-yolov5s.yaml (这是本次学习需要修改的文件，文件内容是yolov5s的网络结构)
	|-yolov5m.yaml
	|-yolov5l.yaml
	|-yolov5x.yaml
|-runs
|-segment
|-utils
...

打开yolov5s.yaml文件，内容包括参数、backbone结构和head结构，其中，在backbone部分第4层和第6层（从0开始）中C3的数量已按本次学习任务进行了修改：

# YOLOv5 🚀 by Ultralytics, AGPL-3.0 license
# https://github.com/ultralytics/yolov5

# Parameters
nc: 80 # number of classes
depth_multiple: 0.33 # model depth multiple 控制模型深度，也就是控制子模块数量（与本次学习有关）
width_multiple: 0.50 # layer channel multiple 控制Conv通道channel个数（卷积核个数）
anchors:
  - [10, 13, 16, 30, 33, 23] # P3/8  检测小目标，10,13是一组，一共检测三组小目标
  - [30, 61, 62, 45, 59, 119] # P4/16  检测中目标
  - [116, 90, 156, 198, 373, 326] # P5/32  检测大目标

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [
    [-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
    [-1, 1, Conv, [128, 3, 2]], # 1-P2/4
    [-1, 3, C3, [128]],  # 2
    [-1, 1, Conv, [256, 3, 2]], # 3-P3/8
    [-1, 3, C3, [256]],   # 4 这里改为C3*1，原来是C3*2
    [-1, 1, Conv, [512, 3, 2]], # 5-P4/16
    [-1, 6, C3, [512]],  # 6 这里改为C3*2，原来是C3*3
    [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
    [-1, 3, C3, [1024]],  # 8
    [-1, 1, SPPF, [1024, 5]], # 9
  ]

# YOLOv5 v6.0 head
head: [
    [-1, 1, Conv, [512, 1, 1]],  # 10
    [-1, 1, nn.Upsample, [None, 2, "nearest"]],
    [[-1, 6], 1, Concat, [1]], # cat backbone P4
    [-1, 3, C3, [512, False]], # 13

    [-1, 1, Conv, [256, 1, 1]],
    [-1, 1, nn.Upsample, [None, 2, "nearest"]],
    [[-1, 4], 1, Concat, [1]], # cat backbone P3
    [-1, 3, C3, [256, False]], # 17 (P3/8-small)

    [-1, 1, Conv, [256, 3, 2]],
    [[-1, 14], 1, Concat, [1]], # cat head P4
    [-1, 3, C3, [512, False]], # 20 (P4/16-medium)

    [-1, 1, Conv, [512, 3, 2]],
    [[-1, 10], 1, Concat, [1]], # cat head P5
    [-1, 3, C3, [1024, False]], # 23 (P5/32-large)

    [[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
  ]

yolov5s的网络结构图：

控制端输出的网络结构：

二、训练

数据集：水果数据集 【使用week Y2的数据集】
命令行：python .\train.py --img 900 --batch 2 --epoch 100 --data .\fruit.yaml --cfg .\models\yolov5s.yaml --weights .\yolov5s.pt --device cpu【与week Y2的训练命令是一样的】

训练结果如下，总共花费训练时间3.066hr：

训练的类别结果如下：

所有类别的F1曲线图如下：

三、总结

（1）比较了本次学习和【week Y2】学习所打印的训练网络结构，本次学习打印出的网络layers为200，而【week Y2】学习所打印的层数为214，说明修改有效，但是为什么显示的网络结构是一样的？