位置: IT常识 - 正文

将yolov5中的PANet层改为BiFPN(yolov5输出result)

编辑:rootadmin
将yolov5中的PANet层改为BiFPN 本文以YOLOv5-6.1版本为例

推荐整理分享将yolov5中的PANet层改为BiFPN(yolov5输出result),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:yolov5的map,yolov5的map,yolov5 output,yolov5实现,yolov5实现,yolov5实现,yolov5实现,yolov1到yolov5,内容如对您有帮助,希望把文章链接给更多的朋友!

一、Add

1.在common.py后加入如下代码

# 结合BiFPN 设置可学习参数 学习不同分支的权重# 两个分支add操作class BiFPN_Add2(nn.Module): def __init__(self, c1, c2): super(BiFPN_Add2, self).__init__() # 设置可学习参数 nn.Parameter的作用是:将一个不可训练的类型Tensor转换成可以训练的类型parameter # 并且会向宿主模型注册该参数 成为其一部分 即model.parameters()会包含这个parameter # 从而在参数优化的时候可以自动一起优化 self.w = nn.Parameter(torch.ones(2, dtype=torch.float32), requires_grad=True) self.epsilon = 0.0001 self.conv = nn.Conv2d(c1, c2, kernel_size=1, stride=1, padding=0) self.silu = nn.SiLU() def forward(self, x): w = self.w weight = w / (torch.sum(w, dim=0) + self.epsilon) return self.conv(self.silu(weight[0] * x[0] + weight[1] * x[1]))# 三个分支add操作class BiFPN_Add3(nn.Module): def __init__(self, c1, c2): super(BiFPN_Add3, self).__init__() self.w = nn.Parameter(torch.ones(3, dtype=torch.float32), requires_grad=True) self.epsilon = 0.0001 self.conv = nn.Conv2d(c1, c2, kernel_size=1, stride=1, padding=0) self.silu = nn.SiLU() def forward(self, x): w = self.w weight = w / (torch.sum(w, dim=0) + self.epsilon) # 将权重进行归一化 # Fast normalized fusion return self.conv(self.silu(weight[0] * x[0] + weight[1] * x[1] + weight[2] * x[2]))

2.yolov5s.yaml进行修改

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parametersnc: 80 # number of classesdepth_multiple: 0.33 # model depth multiplewidth_multiple: 0.50 # layer channel multipleanchors: - [10,13, 16,30, 33,23] # P3/8 - [30,61, 62,45, 59,119] # P4/16 - [116,90, 156,198, 373,326] # P5/32# YOLOv5 v6.0 backbonebackbone: # [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]], [-1, 1, Conv, [256, 3, 2]], # 3-P3/8 [-1, 6, C3, [256]], [-1, 1, Conv, [512, 3, 2]], # 5-P4/16 [-1, 9, C3, [512]], [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32 [-1, 3, C3, [1024]], [-1, 1, SPPF, [1024, 5]], # 9 ]# YOLOv5 v6.0 BiFPN headhead: [[-1, 1, Conv, [512, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 6], 1, BiFPN_Add2, [256, 256]], # 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, BiFPN_Add2, [128, 128]], # cat backbone P3 [-1, 3, C3, [256, False]], # 17 (P3/8-small) [-1, 1, Conv, [512, 3, 2]], # 为了BiFPN正确add,调整channel数 [[-1, 13, 6], 1, BiFPN_Add3, [256, 256]], # cat P4 <--- BiFPN change 注意v5s通道数是默认参数的一半 [-1, 3, C3, [512, False]], # 20 (P4/16-medium) [-1, 1, Conv, [512, 3, 2]], [[-1, 10], 1, BiFPN_Add2, [256, 256]], # cat head P5 [-1, 3, C3, [1024, False]], # 23 (P5/32-large) [[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5) ]

3.修改yolo.py,在parse_model函数中找到elif m is Concat:语句,在其后面加上BiFPN_Add相关语句:

# 添加bifpn_add结构elif m in [BiFPN_Add2, BiFPN_Add3]: c2 = max([ch[x] for x in f])

4.修改train.py,向优化器中添加BiFPN的权重参数

将BiFPN_Add2和BiFPN_Add3函数中定义的w参数,加入g1

将yolov5中的PANet层改为BiFPN(yolov5输出result)

# BiFPN_Concat elif isinstance(v, BiFPN_Add2) and hasattr(v, 'w') and isinstance(v.w, nn.Parameter): g1.append(v.w) elif isinstance(v, BiFPN_Add3) and hasattr(v, 'w') and isinstance(v.w, nn.Parameter): g1.append(v.w)

然后导入一下这两个包

一、Concat

1.在common.py后加入如下代码

# 结合BiFPN 设置可学习参数 学习不同分支的权重# 两个分支concat操作class BiFPN_Concat2(nn.Module): def __init__(self, dimension=1): super(BiFPN_Concat2, self).__init__() self.d = dimension self.w = nn.Parameter(torch.ones(2, dtype=torch.float32), requires_grad=True) self.epsilon = 0.0001 def forward(self, x): w = self.w weight = w / (torch.sum(w, dim=0) + self.epsilon) # 将权重进行归一化 # Fast normalized fusion x = [weight[0] * x[0], weight[1] * x[1]] return torch.cat(x, self.d)# 三个分支concat操作class BiFPN_Concat3(nn.Module): def __init__(self, dimension=1): super(BiFPN_Concat3, self).__init__() self.d = dimension # 设置可学习参数 nn.Parameter的作用是:将一个不可训练的类型Tensor转换成可以训练的类型parameter # 并且会向宿主模型注册该参数 成为其一部分 即model.parameters()会包含这个parameter # 从而在参数优化的时候可以自动一起优化 self.w = nn.Parameter(torch.ones(3, dtype=torch.float32), requires_grad=True) self.epsilon = 0.0001 def forward(self, x): w = self.w weight = w / (torch.sum(w, dim=0) + self.epsilon) # 将权重进行归一化 # Fast normalized fusion x = [weight[0] * x[0], weight[1] * x[1], weight[2] * x[2]] return torch.cat(x, self.d)

2.yolov5s.yaml进行修改 

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parametersnc: 80 # number of classesdepth_multiple: 0.33 # model depth multiplewidth_multiple: 0.50 # layer channel multipleanchors: - [10,13, 16,30, 33,23] # P3/8 - [30,61, 62,45, 59,119] # P4/16 - [116,90, 156,198, 373,326] # P5/32# YOLOv5 v6.0 backbonebackbone: # [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]], [-1, 1, Conv, [256, 3, 2]], # 3-P3/8 [-1, 6, C3, [256]], [-1, 1, Conv, [512, 3, 2]], # 5-P4/16 [-1, 9, C3, [512]], [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32 [-1, 3, C3, [1024]], [-1, 1, SPPF, [1024, 5]], # 9 ]# YOLOv5 v6.0 BiFPN headhead: [[-1, 1, Conv, [512, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 6], 1, BiFPN_Concat2, [1]], # cat backbone P4 <--- BiFPN change [-1, 3, C3, [512, False]], # 13 [-1, 1, Conv, [256, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 4], 1, BiFPN_Concat2, [1]], # cat backbone P3 <--- BiFPN change [-1, 3, C3, [256, False]], # 17 (P3/8-small) [-1, 1, Conv, [256, 3, 2]], [[-1, 14, 6], 1, BiFPN_Concat3, [1]], # cat P4 <--- BiFPN change [-1, 3, C3, [512, False]], # 20 (P4/16-medium) [-1, 1, Conv, [512, 3, 2]], [[-1, 10], 1, BiFPN_Concat2, [1]], # cat head P5 <--- BiFPN change [-1, 3, C3, [1024, False]], # 23 (P5/32-large) [[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5) ]

3.修改yolo.py,在parse_model函数中找到elif m is Concat:语句,在其后面加上BiFPN_Concat相关语句: 

# 添加bifpn_concat结构elif m in [Concat, BiFPN_Concat2, BiFPN_Concat3]: c2 = sum(ch[x] for x in f)

4.修改train.py,向优化器中添加BiFPN的权重参数

添加复方式同上(Add)

# BiFPN_Concat elif isinstance(v, BiFPN_Concat2) and hasattr(v, 'w') and isinstance(v.w, nn.Parameter): g1.append(v.w) elif isinstance(v, BiFPN_Concat3) and hasattr(v, 'w') and isinstance(v.w, nn.Parameter): g1.append(v.w)

至此,大功告成~~~

reference:【YOLOv5-6.x】设置可学习权重结合BiFPN(Add操作)_嗜睡的篠龙的博客-CSDN博客【YOLOv5-6.x】设置可学习权重结合BiFPN(Concat操作)_嗜睡的篠龙的博客-CSDN博客_bifpn代码

本文链接地址:https://www.jiuchutong.com/zhishi/289727.html 转载请保留说明!

上一篇:vue.config.js 中 devServer.proxy 配置说明,以及配置正确不生效问题

下一篇:伊兰谷中的Pen y Garreg水坝,威尔士 (© Joe Daniel Price/Moment Open/Getty Images)(伊兰简介)

  • 盐城采样码在哪里找(盐城核酸采样新用户端)

    盐城采样码在哪里找(盐城核酸采样新用户端)

  • 微信如何关掉别人点赞的提醒(微信如何关掉别人评价的提示)

    微信如何关掉别人点赞的提醒(微信如何关掉别人评价的提示)

  • 荣耀手表magic2对比华为gt2(荣耀magicwatch2和荣耀手表2区别)

    荣耀手表magic2对比华为gt2(荣耀magicwatch2和荣耀手表2区别)

  • qq电话自动挂断怎么办(qq电话自动挂断怎么回事)

    qq电话自动挂断怎么办(qq电话自动挂断怎么回事)

  • 酷狗音乐为什么放一半就换了(酷狗音乐为什么老是自动关闭音乐)

    酷狗音乐为什么放一半就换了(酷狗音乐为什么老是自动关闭音乐)

  • 快手推广退款什么时候到账(快手推广有退款)

    快手推广退款什么时候到账(快手推广有退款)

  • 插耳机录屏有声音吗(插耳机录屏有声音的软件)

    插耳机录屏有声音吗(插耳机录屏有声音的软件)

  • wifi旁边有个链条符号(wifi旁边有个链接的扣子)

    wifi旁边有个链条符号(wifi旁边有个链接的扣子)

  • 微信怎么发照片合集(微信怎么发照片朋友圈)

    微信怎么发照片合集(微信怎么发照片朋友圈)

  • excel文档主要功能包括(excel的主要功能和特点是什么)

    excel文档主要功能包括(excel的主要功能和特点是什么)

  • vivox21s屏幕多大(vivox21s的屏幕多大)

    vivox21s屏幕多大(vivox21s的屏幕多大)

  • iphone11和11pro手机壳通用吗(苹果iphone11与11pro)

    iphone11和11pro手机壳通用吗(苹果iphone11与11pro)

  • 抖音未成年可否直播(抖音 未成年)

    抖音未成年可否直播(抖音 未成年)

  • 手机软件不兼容怎么办(手机软件不兼容的解决方法)

    手机软件不兼容怎么办(手机软件不兼容的解决方法)

  • 如何在抖音上获得粉丝(如何在抖音上获得抖币)

    如何在抖音上获得粉丝(如何在抖音上获得抖币)

  • eⅹcel怎么制做表格(6×3的制作)

    eⅹcel怎么制做表格(6×3的制作)

  • 二叉链表指针指的什么(二叉链表表示)

    二叉链表指针指的什么(二叉链表表示)

  • word自定义属性在哪(word文档添加自定义属性)

    word自定义属性在哪(word文档添加自定义属性)

  • 爱奇艺vip在电视能用吗(爱奇艺vip在电视终端叫什么)

    爱奇艺vip在电视能用吗(爱奇艺vip在电视终端叫什么)

  • windows7如何升级windows10(windows7如何升级到10)

    windows7如何升级windows10(windows7如何升级到10)

  • qq隐藏到不常用联系人有什么用(qq隐藏到不常用联系人在哪里找)

    qq隐藏到不常用联系人有什么用(qq隐藏到不常用联系人在哪里找)

  • Win10两个屏幕配置和切换的方法(win10两个屏幕两个桌面)

    Win10两个屏幕配置和切换的方法(win10两个屏幕两个桌面)

  • deepin20终端远程管理服务器的方法(deepin 终端命令)

    deepin20终端远程管理服务器的方法(deepin 终端命令)

  • 座头鲸妈妈将她熟睡的幼鲸推到水面,夏威夷毛伊岛 (© Ralph Pace/Minden Pictures)(座头鲸救人)

    座头鲸妈妈将她熟睡的幼鲸推到水面,夏威夷毛伊岛 (© Ralph Pace/Minden Pictures)(座头鲸救人)

  • Vue项目实战——【基于 Vue3.x + Vant UI】实现一个多功能记账本(登录注册页面,验证码)(vuecli项目实战)

    Vue项目实战——【基于 Vue3.x + Vant UI】实现一个多功能记账本(登录注册页面,验证码)(vuecli项目实战)

  • 房地产开发企业预缴增值税
  • 进料加工贸易流程
  • 印花税的征税对象是条例列举的凭证未列举的不征税
  • 滴滴电子普通发票怎么抵扣
  • 个人所得税汇算表
  • 小微企业税收优惠政策2023年房产税
  • 服务发票是增值税发票吗
  • 报关单汇率按出口日期还是申报日期
  • 未实际收到的投资收益要纳税调整吗
  • 股东分红是净利润还是毛利润
  • 开票交税当月不确认收入如何做账?
  • 企业用于存货的支出
  • 不动产进项税额抵扣最新通知2023
  • 资金账簿印花税最新政策2023
  • 房地产企业如何计算增值税
  • 收款收据可以做账么
  • 小规模增值税未开票收入填哪里
  • 职工福利费和教育费的计提比例
  • 商业银行贷款的流动性与效益性成正比
  • 受赠人个人所得税
  • 基金赎回未到账可继续买吗?
  • 采购发票主要包括什么可以根据什么单据流转生成
  • 一般纳税人所得税2023年税率
  • 出让和转让的有何区别
  • 小区保安有收物业费的权利和义务吗?
  • 在标题栏显示完整页面
  • 未分配利润可留待以后年度进行分配的当年结余利润
  • PHP:spl_object_hash()的用法_spl函数
  • 销售返利的形式有哪些
  • 野生动植物种源包括
  • 商贸宝红冲和红字反冲
  • 哪些可以作为原始凭证
  • 所得税年度报表资产总额
  • 金融企业允许税前扣除的准备金
  • 执行企业会计制度的企业有哪些
  • 考研408怎么样
  • 二手车销售发票的开具怎么处理?
  • php提交post数据
  • 存货跌价准备的转销会计分录
  • redis php实例
  • pytorch怎么入门
  • 我用ChatGPT做直播技术选型,卷死了同事
  • 大数据相关框架
  • 无标题节啥意思
  • php服务器地址怎么填
  • 企业不年报会怎么样
  • vue style import
  • react高阶组件
  • 小规模纳税人开具增值税专用发票
  • 本期应补退税额就是交钱吗
  • 一般纳税人公司出售旧车怎么开票
  • mysql批量新增字段
  • 衍生工具什么意思
  • 零申报企业年报资产状况信息怎么填
  • 企业产品研发
  • 发票服务内容写错怎么办
  • 外出经营活动需要预缴税款吗2020年
  • 医疗投资机构的定义
  • 周转材料期末余额怎么算
  • 推广费计入哪个科目
  • 现金收账凭证
  • 电子发票怎么会失效
  • 上月有留抵税额本月怎么申报
  • 删除用户mysql
  • centos6.10安装教程
  • XP系统怎么调节屏幕亮度
  • xp系统电脑开机密码忘记了
  • 怎么制作win7系统u盘装系统教程
  • Win10 Mobile RS2预览版14926更新与修复内容汇总
  • windowsxp的安装方法
  • perl中@_
  • cocos2dx4.0入门
  • jquery操作table
  • vue解析md
  • jquery自动点击按钮
  • 资源税包括哪些
  • 玉林税务局班子成员
  • 车船税是比例还是定额
  • 北京国税局电话客服热线
  • 税务局的局长是什么级别
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设