上一篇文章介绍了YOLOv5的网络的详细解读：直通车🚀 由于以后的学习及在进行的项目打算YOLOv5再仔细研究进行使用及改进，接下来会出相关于YOLOv5的代码逐行解读以及注释，废话不多说，让我们一起学习YOLOv5源码吧！
YOLOv5所使用版本：v6.1（由于YOLOV5版本一直在更新，不同版本代码略有差异，但差别不大，可供用来学习。）
源码地址：GitHub - ultralytics/yolov5 at v6.1
首先我们从YOLOv5的目录结构进行解读 ~
YOLOv5目录结构总览🚀
YOLOv5项目整体目录如下图所示：
接下来我们逐一介绍文件作用并进行解读：
注意：
因为此项目是从github上克隆来的，第一个文件夹 .github文件见中存放的为github相关信息，不属于YOLOv5的相关文件，这里直接略过从data开始。
⭐⭐⭐项目中未出现的datasets文件夹和runs文件夹在后面讲解注释及解读！！
一、data 文件夹⭐
data文件夹：主要是存放一些超参数的配置文件（这些文件（yaml文件）是用来配置训练集和测试集还有验证集的路径的，其中还包括目标检测的种类数和种类的名称）；
还有一些官方提供测试的图片（images下的两张图-bus.jpg和zidane.jpg）。如果是训练自己的数据集的话，那么就需要修改其中的yaml文件，或新建自己数据集的yaml文件放在此文件夹中。
注意：自己的数据集不建议放在这个路径下面，而是建议把数据集放到yolov5项目的同级目录下面（上面提到的datasets）。
1.1 hyps文件夹 ✨
hyps文件夹 ：存放yaml格式的超参数微调配置文件
1.hyps.scratch-low.yaml ：YOLOv5 COCO训练从头优化，数据增强低，适用于较小型号，比如：v5n、v5s。
2.hyps.scratch-med.yaml ：数据增强中，适用于中型型号。比如：v5m。
3. hyps.scratch-high.yaml ：数据增强高，适用于大型型号，比如：v3、v3-spp、v5l、v5x。
1.2 images 文件夹 ✨
images文件夹：存放着官方给的两张测试图片，bus.jpg和zidane.jpg 。
bus.jpg：
zidane.jpg：
1.3 scripts 文件夹 ✨
scripts文件夹：存放数据集和权重的下载shell脚本
1. download_weights.sh ： 下载权重文件，包括 'n' , 's' , 'm' , 'l' , 'x' 五种大小的P5版和P6版以及分类器版。
2. get_coco.sh : 下载coco数据集的shell脚本。
3. get_coco128.sh ： 下载coco128（只有128张）数据集的shell脚本。
1.4 data中其他文件 ✨
后面的每个.yaml文件都对应一种标准数据集格式的数据，我们也可将自己数据集的.yaml文件放在此处。
1.Argoverse.yaml ： Argoverse数据集配置文件。
2.coco.yaml ：COCO数据集配置文件。
3.coco128.yaml ：COCO128数据集配置文件。
。。。以此类推。。。
二、models 文件夹⭐
models文件夹为模型文件夹。里面主要是一些网络构建的配置文件和函数，其中包含了该项目的四个不同的版本，分别为是s、m、l、x。从名字就可以看出，这几个版本的大小。他们的检测速度分别都是从快到慢，但是精确度分别是从低到高。如果训练自己的数据集的话，就需要修改这里面相对应的yaml文件来训练自己模型。
2.1 hub 文件夹 ✨
hub文件夹： 存放yolov5各版本目标检测网络模型的配置文件。
1. anchors.yaml ：COCO数据的默认锚点。
2. yolov3-spp.yaml ： 带spp的yolov3网络模型的配置文件。
3.yolov3-tiny.yaml ： 精简版yolov3网络模型的配置文件。
4.yolov5-bifpn.yaml ： 带二值fpn的yolov5l 网络模型的配置文件。
5.yolov5-fpn.yaml ： 带fpn的yolov5网络模型的配置文件。
6.yolov5-p2.yaml ： (P2, P3, P4, P5)都输出的v5网络模型配置文件，宽深与large版本相同，相当于比large版本能检测更小物体。
7.yolov5-p6.yaml ： (P3, P4, P5, P6)都输出的v5网络模型配置文件，宽深与large版本相同，相当于比large版本能检测更大物体。
8.yolov5-p7.yaml ： (P3, P4, P5, P6, P7)都输出的v5网络模型配置文件，宽深与large版本相同，相当于比large版本能检测更更大物体。
9.yolov5-p34.yaml # 只输出(P3, P4)的v5网络模型配置文件，宽深与small版本相同，相当于比small版本更专注于检测中小物体
10.yolov5-panet.yaml ： 带PANet的yolov5l网络模型的配置文件。
11.yolov5l6.yaml ： (P3, P4, P5, P6)都输出的v5网络模型配置文件，宽深与large版本相同，相当于比large版本能检测更大物体，anchor已预定义，推测是作者做实验的产物。
12.yolov5m6.yaml ： (P3, P4, P5, P6)都输出的v5网络模型配置文件，宽深与middle版本相同，相当于比middle版本能检测更大物体，anchor已预定义。
13.yolov5n6.yaml ： (P3, P4, P5, P6)都输出的v5网络模型配置文件，宽深与nano版本相同，相当于比nano版本能检测更大物体，anchor已预定义。
14.yolov5s6.yaml ： (P3, P4, P5, P6)都输出的v5网络模型配置文件，宽深与small版本相同，相当于比small版本能检测更大物体，anchor已预定义。
15.yolov5s-ghost.yaml ： backbone的卷积换成了GhostNet形式的yolov5s网络模型配置文件，anchor已预定义。
16.yolov5s-transformer.yaml ： backbone最后的C3卷积添加了Transformer模块的yolov5s网络模型配置文件，anchor已预定义。
17.yolov5x6.yaml ：(P3, P4, P5, P6)都输出的v5网络模型配置文件，宽深与Xlarge版本相同，相当于比Xlarge版本能检测更大物体，anchor已预定义。
2.2 models 中其他文件 ✨
1._int_.py ： 文件是空的，什么都没有。
2.common.py ：放的是一些网络结构的定义通用模块，包括autopad、Conv、DWConv、TransformerLayer等。
3.experimental.py ： 放的是实验性质的代码，包括MixConv2d、跨层权重Sum等。
4.tf.py ：tensorflow版的yolov5代码。
5.yolo.py：yolo的特定模块，包括BaseModel，DetectionModel，ClassificationModel，parse_model等。
6.yolov5l.yaml ：yolov5l网络模型配置文件，large版本，深度1.0，宽度1.0。
7.yolov5m.yaml ：yolov5m网络模型配置文件，middle版本，深度0.67，宽度0.75。
8.yolov5n.yaml ：yolov5n网络模型配置文件，nano版本，深度0.33，宽度0.25。
9.yolov5s.yaml ：yolov5s网络模型配置文件，small版本，深度0.33，宽度0.50。
10.yolov5x.yaml ： yolov5x网络模型配置文件，Xlarge版本，深度1.33，宽度1.25。
三、untils 文件夹⭐
utils文件夹为工具文件夹。存放的是工具类的函数，里面有loss函数，metrics函数，plots函数等工具类函数。
1.aws文件夹：恢复中断训练，存放和aws平台使用相关的工具。
2.flask_rest_api 文件夹 ： 和flask接口相关的工具。
3.google_app_engine 文件夹： 和谷歌app引擎相关的工具。
4.loggers 文件夹：日志打印。
5._init_.py：notebook的初始化，检查系统软件和硬件。
6.activations.py：存放一些相关的激活函数。
7.augmentations：存放一些相关的图像增强技术。
8.autoanchor.py：自动生成锚框。
9.autobatch.py：自动生成批量大小。
10. benchmarks.py： 对模型进行性能评估（推理速度和内存占用上的评估）。
11.callbacks.py：回调函数，主要为logger服务。
12.datasets：使用dateset和dateloader来定义代码。
13.downloads.py ：谷歌云盘内容下载。
14.general.py：全项目通用代码，相关实用函数实现。
15.loss.py： 存放相关的一些损失函数。
16.metrics.py：存放一些模型验证指标，包括ap，混淆矩阵等。
17.plots.py：matplots绘图相关函数，如绘制loss、ac曲线，还能单独将一个bbox存储为图像。
18.torch_utils.py：存放一些辅助函数。
四、datasets 文件夹⭐
我们一般使用datasets文件夹存储自己的数据集（也可以自命名），在下载目录中没有这个文件夹，需要我们自己创建，分为 images和labels 两部分，同时images和labels每个文件夹下，又应该分为 train，val，test 分别存放训练集、训练过程中的验证集以及测试集的图片与标签。
datasets中会出现.cache文件，.cache文件为缓存文件，将数据加载到内存中，方便下次调用快速。
五、runs 文件夹⭐
runs文件夹是我们运行模型进行检测或训练时产生的一些输出文件，每一次运行就会对应生成一个exp的文件夹在runs文件夹下。
5.1 detect 文件夹 ✨
detect 文件夹： 测试模型，输出图片并在图片中标注出物体和概率。如下图：
5.2 train 文件夹 ✨
train文件夹 ： 成功运行一次train.py就在文件夹下产生一个expn（n=1,2,....），包含：训练模型，输出内容，模型(最好、最新)权重、混淆矩阵、F1曲线、超参数文件、P曲线、R曲线、PR曲线、结果文件（loss值、P、R）等.
1.expn: 第n次实验数据，顺序增加，也可以自命名，可在配置文件中修改训练出的文件名。
2.weights ：权重文件夹。
- best.pt ：最好的权重。
- last.pt ：上次检测点权重。
3.confusion_matrix.png ：混淆矩阵。
4.F1_curve.png：F1分数与置信度（x轴）之间的关系。
5.hyp.yaml： 超参数记录文件。
6.labels.jpg： 图里有4张图，从左到右，从上到下依次为：
- 1. 表示每个类别的数据量
- 2. 真实标注的 bounding_box
- 3. 真实标注的中心点坐标
- 4. 真实标注的矩阵宽高
7.labels_correlogram.jpg ：图表示预测标签长宽和位置分布。
8.opt.yaml：模型可选项记录文件。
9. P_curve.png ：准确率与置信度的关系图线。
10.PR_curve.png # 精准率与召回率的关系图线。
11.R_curve.png ：精准率与置信度的关系图线。
12.results.csv：对应上面png的原始result数据。
13. results.png： 各种loss和metrics（p、r、mAP等，详见utils/metrics）曲线。
12.train_batchx.jpg ：训练集图像x（带标注）（x=0，1，2...）。
13.val_batchx_labels.jpg ：验证集图像x（带标注）（x=0，1，2...）。
14.val_batchx_pred.jpg：验证集图像x（带预测标注）（x=0，1，2...）。
六、其他一级目录文件⭐
1.dockerignore ：docker的ignore文件。
2.gitattributes ：用于将.ipynb后缀的文件剔除GitHub语言统计。
3.gitignore：docker的ignore文件。
4.CONTRIBUTING.md ：markdown格式说明文档。
5.detect.py ：目YOLOv5模型的预测脚本，可在里面改训练的相关参数。
6.export.py：模型导出。
7.hubconf.py ： 与pytorch hub相关。
8.LICENSE： 证书。
9.README.md ：markdown格式的说明文档。
10.requirements.txt： 可以通过 pip install requirement 命令进行依赖环境下载
11.setup.cfg：项目打包文件。
12.train.py ：YOLOv5模型的训练脚本，可在里面改训练的相关参数。
13.tutorial.ipynb ：目标检测上手教程。
14.val.py：目标检测验证脚本
YOLOv5的目录结构源码超详细注释解读的学习就到这里啦！以后会为大家带来关于YOLOv5其他文件的解读或者其他YOLO版本的解读✨✨✨✨如果帮助到大家，可以一键三连支持下🚀🚀
