yolov3开源代码（YOLOv5源码逐行超详细注释与解读（5）——配置文件yolov5s.yaml）
前言
在YOLOv5中网络结构采用yaml作为配置文件 ，之前我们也介绍过 ，YOLOv5配置了4种不同大小的网络模型 ，分别是YOLOv5s 、YOLOv5m 、YOLOv5l 、YOLOv5x ，这几个模型的结构基本一样 ，不同的是depth_multiple模型深度和width_multiple模型宽度这两个参数 。 就和我们买衣服的尺码大小排序一样 ，YOLOv5s网络是YOLOv5系列中深度最小 ，特征图的宽度最小的网络 。其他的三种都是在此基础上不断加深 ，不断加宽 。所以 ，这篇文章我们就以yolov5s.yaml为例来介绍 。
yaml这个文件在models文件夹下 ，我们了解这个文件还是很重要的 ，如果未来我们想改进算法的网络结构 ，需要通过yaml这种形式定义模型结构 ，也就是说需要先修改该文件中的相关参数 ，然后再修改common.py与yolo.py中的相关代码 。（这两个文件下一篇会具体介绍噢~）
文章代码逐行手打注释 ，每个模块都有对应讲解 ，一文帮你梳理整个代码逻辑！
友情提示：可以先点再慢慢看哦~
源码下载地址：mirrors / ultralytics / yolov5 · GitCode
🍀本人YOLOv5源码详解系列：
YOLOv5源码逐行超详细注释与解读（1）——项目目录结构解析
YOLOv5源码逐行超详细注释与解读（2）——推理部分detect.py
YOLOv5源码逐行超详细注释与解读（3）——训练部分train.py
YOLOv5源码逐行超详细注释与解读（4）——验证部分val（test）.py
YOLOv5源码逐行超详细注释与解读（6）——网络结构（1）yolo.py
YOLOv5源码逐行超详细注释与解读（7）——网络结构（2）common.py
目录
前言
目录
🚀一 、什么是YAML
🚀二 、参数配置
🚀三 、先验框配置
🚀四 、backbone部分
🚀五 、Head部分
🚀六 、整体模型 编辑
🚀七 、YOLOv5s 、YOLOv5m 、YOLOv5l 、YOLOv5x对比
🚀一 、什么是YAML
YAML ，即“ YAML Ain’t a Markup Language（YAML 不是一种标记语言） ”的递归缩写 。YAML真实意思是 “Yet Another Markup Language（仍是一种标记语言） ” 。是专门用来写配置文件的语言 ，能很好的与当下的编程语言的一些任务相互协作 ，非常简洁和强大 。
官网上的解释是：
“YAML is a human-friendly data serialization language for all programming languages. ”
翻译：YAML 是一种适用于所有编程语言的人性化数据序列化语言 。
提到数据序列化语言 ，我们之前可能比较熟悉的是JSON 和 XML ，YAML与它们类似 ，但它主要强调这种语言是以数据为中心 ，而不是以标记为中心 ，像 XML 语言就使用了大量的标记 。并且远比这俩方便和更具可读性 。
YAML的使用：
YAML的使用包括了两部分：一个是YAML数据的定义 ，一个是它在其他程序里如何被使用 。
YAML 的基础语法：
大小写敏感 使用缩进表示层级关系 不允许使用tab ，只允许空格 缩进的空格数量不重要 ，只要层级相同的元素左对齐即可 ‘#’ 表示注释🚀二 、参数配置
# 1 、参数配置 # Parameters nc: 80 # 所判断目标类别的种类 ，此处80类 depth_multiple: 0.33 # 模型层数因子 控制模型的深度（BottleneckCSP个数） width_multiple: 0.50 # 模型通道数因子 控制Conv通道channel个数（卷积核数量）这段代码有三个参数：
nc： 数据集类别个数 depth_multiple： 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： 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 。这三个参数 ，我们会在下一篇模型搭建 yolo.py 文件介绍中见到 ，先混个眼熟吧：
🚀三 、先验框配置
# 2 、先验框配置 # anchors anchors: # 9个anchor ，其中P表示特征图的层级 ，P3/8该层特征图缩放为1/8,是第3层特征 - [10,13, 16,30, 33,23] # P3/8 FPN接主干网络下采样8倍后的anchor大小,检测小目标,10,13是一组尺寸 ，总共三组检测小目标 - [30,61, 62,45, 59,119] # P4/16 FPN接主干网络下采样4倍后的anchor大小,检测中目标 ，共三组 - [116,90, 156,198, 373,326] # P5/32 FPN接主干网络下采样2倍后的anchor大小,检测大目标 ，共三组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个聚类是(10 × 13) ，(16 × 30) ，(33 × 23) ，(30 × 61) ，(62 × 45) ，(59 × 119) ，(116 × 90) ，(156 × 198) ，(373 × 326) 。
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 。
尺度越大的freature map分辨率越大 ，相对于原图的下采样越小 ，其感受野也就越小 ，那么设置的anchors自然越小 ，如[10,13, 16,30, 33,23] ，因此对原始图像中的小物体预测较好； 尺度越小的freature map分辨率越小 ，相对于原图的下采样越大 ，其感受野越大 ，设置的anchors自然也就越大 ，如[116, 90, 156,198, 373,326] ，因此对原始图像中的大物体预测较好 。如下图所示：
🚀四 、backbone部分
# 3 、backbone部分 # YOLOv5 v6.0 backbone backbone: # [from, number, module, args] [[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2 [3, 32, 6, 2, 2] [-1, 1, Conv, [128, 3, 2]], # 1-P2/4 [32, 64, 3, 2] [-1, 3, C3, [128]], # 2 [64, 64, 1] [-1, 1, Conv, [256, 3, 2]], # 3-P3/8 [64, 128, 3, 2] [-1, 6, C3, [256]], # 4 [128, 128, 2] [-1, 1, Conv, [512, 3, 2]], # 5-P4/16 [128, 256, 3, 2] [-1, 9, C3, [512]], # 6 [256, 256, 3] [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32 [256, 512, 3, 2] [-1, 3, C3, [1024]], # 8 [512, 512, 1] [-1, 1, SPPF, [1024, 5]], # 9 [512, 512, 5] ]这段代码是YOLOv5s的backbone部分 ， 首先介绍四个参数：
[from, number, module, args]
from ： 表示当前模块的输入来自那一层的输出 ，-1表示将上一层的输出当做自己的输入（第0层的-1表示输入的图像） 。 number： 表示当前模块的重复次数 ，实际的重复次数还要由上面的参数depth_multiple共同决定 ，决定网络模型的深度 。 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 ，我们后面具体分析 。另外 ，注释中的#0-P1/2表示该层为第0层 ，输出后会变成原图的1/2
我们来解释一下每个层参数含义以及图片变化：
原始输入图片：640*640*3
第0层：Conv层 [-1, 1, Conv, [64, 6, 2, 2]]
-1: 输入是图片 1：网络模块数量为1 Conv: 该层的网络层名字是Conv [64, 6, 2, 2]： Conv层的四个参数 64：channel=64 6：kernel_size=6 2：padding=2 2：stride=2 输出图片：320*320*64第1层：Conv层 [-1, 1, Conv, [128, 3, 2]]
-1: 输入是上一层的输出 1：网络模块数量为1 Conv: 该层的网络层名字是Conv [128, 3, 2]： Conv层的三个参数 128：channel=128 3：kernel_size=3 2：stride=2 输出图片：160*160*128第2层：C3层 [-1, 3, C3, [128]]
-1: 输入是上一层的输出 3：网络模块数量为3 C3: 该层的网络层名字是C3 [128]： C3层的参数 128：channel=128 输出图片：160*160*128第3层：Conv层 [-1, 1, Conv, [256, 3, 2]]
-1: 输入是上一层的输出 1：网络模块数量为1 Conv: 该层的网络层名字是Conv [256, 3, 2]： Conv层的三个参数 256：channel=256 3：kernel_size=3 2：stride=2 图片变化：80*80*256第4层：C3层 [-1, 6, C3, [256]]
-1: 输入是上一层的输出 6：网络模块数量为6 C3: 该层的网络层名字是C3 [256]： C3层的参数 256：channel=256 图片变化：80*80*256第5层：Conv层 [-1, 1, Conv, [512, 3, 2]]
-1: 输入是上一层的输出 1：网络模块数量为1 Conv: 该层的网络层名字是Conv [512, 3, 2]： Conv层的三个参数 512：channel=512 3：kernel_size=3 2：stride=2 输出图片：40*40*512第6层：C3层 [-1, 9, C3, [512]]
-1: 输入是上一层的输出 9：网络模块数量为9 C3: 该层的网络层名字是C3 [512]： C3层的参数 512：channel=512 输出图片：40*40*512第7层：Conv层 [-1, 1, Conv, [1024, 3, 2]]
-1: 输入是上一层的输出 1：网络模块数量为1 Conv: 该层的网络层名字是Conv [1024, 3, 2]： Conv层的三个参数 1024：channel=1024 3：kernel_size=3 2：stride=2 输出图片：20*20*1024第8层：C3层 [-1, 3, C3, [1024]]
-1: 输入是上一层的输出 3：网络模块数量为3 C3: 该层的网络层名字是C3 [1024]： C3层的参数 1024：channel=1024 输出图片：20*20*1024第9层：SPPF层 [-1, 1, SPPF, [1024, 5]]
主要是对不同尺度特征图的融合 -1: 输入是上一层的输出 1：网络模块数量为1 SPPF: 该层的网络层名字是SPPF [1024, 5]： SPPF层的两个参数 1024：channel=1024 5：kernel_size=5 输出图片：20*20*1024到第9层为止 ，backbone部分就结束了 ，这个部分会形成三个接口：
第4层的输出：80*80*256 第6层的输出：40*40*512 第9层的输出：20*20*1024结构示意图如下：
（图片来源：【YOLO系列】YOLOv5 、YOLOX 、YOOv6 、YOLOv7网络模型结构_DearAlbert的博客）
🚀五 、Head部分
# 4 、head部分 # YOLOv5 v6.0 head head: # 前两个阶段是向上concat [[-1, 1, Conv, [512, 1, 1]], # 10 [512, 256, 1, 1] # nn.upsample不改变channel但是会把图片宽和高都变为2倍 [-1, 1, nn.Upsample, [None, 2, nearest]], # 11 [None, 2, nearest] # 与上面backbone中的 P4阶段的最后一个输出做一个concat # 进行concat的两层必须大小相同 、通道数相同 concat之后通道翻倍 [[-1, 6], 1, Concat, [1]], # 12 cat backbone P4 [1] [-1, 3, C3, [512, False]], # 13 [512, 256, 1, False] [-1, 1, Conv, [256, 1, 1]], # 14 [256, 128, 1, 1] [-1, 1, nn.Upsample, [None, 2, nearest]], #15 [None, 2, nearest] [[-1, 4], 1, Concat, [1]], # 16 cat backbone P3 [1] [-1, 3, C3, [256, False]], # 17 (P3/8-small) [256, 128, 1, False] # 后两个阶段是向下concat [-1, 1, Conv, [256, 3, 2]], # 18 [128, 128, 3, 2] [[-1, 14], 1, Concat, [1]], # 19 cat head P4 [1] [-1, 3, C3, [512, False]], # 20 (P4/16-medium) [256, 256, 1, False] [-1, 1, Conv, [512, 3, 2]], # 21 [256, 256, 3, 2] [[-1, 10], 1, Concat, [1]], # 22 cat head P5 [1] [-1, 3, C3, [1024, False]], # 23 (P5/32-large) [512, 512, 1, False] # 有三个检测层 ，分别是在17层下面 、20层下面 、23层下面 [[17, 20, 23], 1, Detect, [nc, anchors]], # 24 [80 ，[[10 ，13 ，16 ，30 ，33 ，23] ，[30 ，61.[128.256.512]1 ]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一样就不再解释了 ，我们来继续解释一下每个层参数含义以及图片变化：
上一个阶段输出大小：20*20*1024
首先前两个阶段是向上concat
第10层：Conv层 [-1, 1, Conv, [512, 1, 1]]
-1: 输入是上一层的输出 1：网络模块数量为1 Conv: 该层的网络层名字是Conv [512, 1, 1]： Conv层的三个参数 512：channel=512 1：kernel_size=1 1：stride=1 输出图片：20*20*512第11层：Upsample层 [-1, 1, nn.Upsample, [None, 2, nearest]]
-1: 输入是上一层的输出 1：网络模块数量为1 nn.Upsample: 该层的网络层名字是Upsample [None, 2, nearest]： Upsample层的三个参数 None：size=None（指定输出的尺寸大小） 2：scale_factor=2（指定输出的尺寸是输入尺寸的倍数） nearest：mode=nearest（默认: ‘nearest’） 输出图片：通过该层之后特征图不改变通道数 ，特征图的长和宽会增加一倍——40*40*512第12层：Concat层 [[-1, 6], 1, Concat, [1]]
[-1, 6]: 输入是上一层和第6层的输出 1：网络模块数量为1 Concat: 该层的网络层名字是Concat [1]： Concat层的参数 [1]：拼接的维度=1 输出图片：通过该层之后特征图与第6层（p4阶段）的输出进行特征图的融合——40*40*1024（即输出40×40×512contact40×40×512=40×40×1024）第13层：C3层 [-1, 3, C3, [512, False]]
-1: 输入是上一层的输出 3：网络模块数量为1 C3: 该层的网络层名字是C3 [512, False]： C3层的两个参数 512：channel=512 False：没有残差模块 输出图片：40*40*512第14层：Conv层 [-1, 1, Conv, [256, 1, 1]]
-1: 输入是上一层的输出 1：网络模块数量为1 Conv: 该层的网络层名字是Conv [256, 1, 1]： Conv层的三个参数 256：channel=256 1：kernel_size=1 1：stride=1 输出图片：40*40*256第15层：Upsample层 [-1, 1, nn.Upsample, [None, 2, nearest]]
-1: 输入是上一层的输出 1：网络模块数量为1 nn.Upsample: 该层的网络层名字是Upsample [None, 2, nearest]： Upsample层的三个参数 None：size=None（指定输出的尺寸大小） 2：scale_factor=2（指定输出的尺寸是输入尺寸的倍数） nearest：mode=nearest（默认: ‘nearest’） 输出图片：通过该层之后特征图不改变通道数 ，特征图的长和宽会增加一倍——80*80*256第16层：Concat层 [[-1, 4], 1, Concat, [1]]
[-1, 4]: 输入是上一层和第4层的输出 1：网络模块数量为1 Concat: 该层的网络层名字是Concat [1]： Concat层的参数 [1]：拼接的维度=1 输出图片：通过该层之后特征图与第4层（p3阶段）的输出进行特征图的融合——80*80*512（即输出80×80×256contact80×80×256=80×80×512）第17层：C3层 [-1, 3, C3, [256, False]]
-1: 输入是上一层的输出 3：网络模块数量为1 C3: 该层的网络层名字是Conv [256, False]： C3层的两个参数 256：channel=256 False：没有残差模块 输出图片：80*80*256后两个阶段是向下concat
第18层：Conv层 [-1, 1, Conv, [256, 3, 2]]
-1: 输入是上一层的输出 1：网络模块数量为1 Conv: 该层的网络层名字是Conv [256, 1, 1]： Conv层的三个参数 256：channel=256 3：kernel_size=3 2：stride=2 输出图片：40*40*256第19层：Concat层 [[-1, 14], 1, Concat, [1]]
[-1, 14]: 输入是上一层和第14层的输出 1：网络模块数量为1 Concat: 该层的网络层名字是Concat [1]： Concat层的参数 [1]：拼接的维度=1 输出图片：通过该层之后特征图与第14层的输出进行特征图的融合——40*40*512（即输出40×40×256contact40×40×256=40×40×512）第20层：C3层 [-1, 3, C3, [512, False]]
-1: 输入是上一层的输出 3：网络模块数量为3 C3: 该层的网络层名字是C3 [512, False]： C3层的两个参数 512：channel=512 False：没有残差模块 输出图片：40*40*512第21层：Conv层 [-1, 1, Conv, [512, 3, 2]]
-1: 输入是图片 1：网络模块数量为1 Conv: 该层的网络层名字是Conv [512, 3, 2]： Conv层的三个参数 512：channel=512 3：kernel_size=3 2：stride=2 输出图片：20*20*512第22层：Concat层 [[-1, 10], 1, Concat, [1]]
[-1, 10]: 输入是上一层和第10层的输出 1：网络模块数量为1 Concat: 该层的网络层名字是Concat [1]： Concat层的参数 [1]：拼接的维度=1 输出图片：通过该层之后特征图与第10层的输出进行特征图的融合——20*20*1024（即输出20×20×512contact20×20×512=20×20×1024）第23层：C3层 [-1, 3, C3, [1024, False]]
-1: 输入是上一层的输出 3：网络模块数量为3 C3: 该层的网络层名字是C3 [1024, False]： C3层的两个参数 1024：channel=1024 False：没有残差模块 输出图片：20*20*1024第24层：Detect层 [[17, 20, 23], 1, Detect, [nc, anchors]]
[17, 20, 23]: 表示把第17 、20和23三层作为Detect模块的输入 1：网络模块数量为1 Detect: 该层的网络层名字是Detect [nc, anchors]： 初始化Detect模块的参数 nc：类别个数 anchors：超参数 anchors的值 输出图片：20*20*1024结构示意图如下：
🚀六 、整体模型
🚀七 、YOLOv5s 、YOLOv5m 、YOLOv5l 、YOLOv5x对比
精确度对比
配置对比
YOLOv5s YOLOv5m YOLOv5l YOLOv5x depth_multiple 0.33 0.67 1.0 1.33 width_multiple 0.50 0.75 1.0 1.25BottleneckCSP数
BCSPn(True)
1 ，3 ，3 2 ，6 ，6 3 ，9 ，9 4 ，12 ，12 BottleneckCSP数BCSPn(False) 1 2 3 4 Conv卷积核数量32,64,128,
256,512
48,96,192,
384,768
64,128,256,
512,1024
80,160,320,
640,1280
深度对比
宽度对比
本文到这里就结束了 ，有很多参数具体如何使用可以参见下一篇yolo.py的介绍(点这里直达！
另外 ，想更加深入学习yaml文件的话 ，推荐看这篇→CSDN独家首发！万字长文 ，YOLOv5/v7/v8算法模型yaml文件史上最详细解析与教程！小白也能看懂！掌握了这个就掌握了魔改YOLO的核心！_迪菲赫尔曼的博客-CSDN博客
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！