位置: IT常识 - 正文

Yolov5网络修改教程(将backbone修改为EfficientNet、MobileNet3、RegNet等)(yolov5参数设置)

编辑:rootadmin
Yolov5网络修改教程(将backbone修改为EfficientNet、MobileNet3、RegNet等)

推荐整理分享Yolov5网络修改教程(将backbone修改为EfficientNet、MobileNet3、RegNet等)(yolov5参数设置),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修改backbone,yolov5如何改进,yolov4怎么改网络框架,yolov5修改backbone,yolov5修改网络结构,yolov5怎么改进,修改yolov3网络结构,yolov5修改网络结构,内容如对您有帮助,希望把文章链接给更多的朋友!

在我的本科毕业论文中,我使用了Yolov5,并尝试对其更改。可以对Yolov5进行一定程度的定制化修改,例如更轻量级的Yolov5-MobileNetv3 或者比Yolov5s更好的(存疑,没有跑过大数据集,可自己实验)Yolov5-EfficientNet。

首先在修改之前,先看Yolov5的网络结构。整体看起来很复杂,但是不用慌张,本篇文章的主要修改处Backbone(特征提取网络)可以抽象为只有三部分,也就是只需要修改这一处地方即可。 然后了解我们需要修改的代码。需要修改代码主要集中在yolov5的model文件夹下。yaml主要是修改代码后相对应的配置文件。common.py中添加新的模块,yolo.py中则是让模型能够支持读取相应的配置文件。 前情介绍完毕。下面正式开始进行模型修改,第一步是选择一些性能比较好的特征提取网络,比如前文提到的MobileNet、EfficientNet等。其实表现的比较好的特征提取网络,大部分都经过三次及以上的下采样,能够得到三种不同大小的特征图。在Yolov5中会将这三种大小特征图进行特征融合,FPN和APN的操作,这里不详细展开,主要需要注意的是特征提取网络需要提取出三种不同大小的特征图,我们选择特征提取网络的最后三次下采样的输出给Yolov5网络,就完成了特征提取网络的修改。 以MobileNetv3-Small为例(我们甚至不需要自己搭建网络,直接挪用pytorch官方网络,以下网络任君选择)pytorch官网 输出网络结构,观察网络。mobilenetv3中主要分为features、avgpool、classify三部分组成,作用分别为特征提取、全局池化、分类器。我们只需要关注特征提取部分,并且着重关注于最后三次降采样部分,所以我们从最后开始往前进行观察。

MobileNet中的倒数第一次下采样发生在第九个模块。(如何快速看到降采样,简单来讲就是stride为2的地方。当然实际还有kernel_size等于5或者其他情况,但是一般比较新的网络kernel_size为5伴随的还有2的padding,所以偷懒可以只看stride) 因此9-11对应YOLOv5倒数第一次降采样。 倒数第二次降采样4-8 倒数第三次降采样0-3 确定好网络提取方式后,第二步,在common.py中最后添加模块。可以看到非常简单,主要添加MobileNet的三个部分。

from torchvision import modelsclass MobileNet1(nn.Module): # out channel 24 def __init__(self, ignore) -> None: super().__init__() model = models.mobilenet_v3_small(pretrained=True) modules = list(model.children()) modules = modules[0][:4] self.model = nn.Sequential(*modules) def forward(self, x): return self.model(x)class MobileNet2(nn.Module): # out 48 channel def __init__(self, ignore) -> None: super().__init__() model = models.mobilenet_v3_small(pretrained=True) modules = list(model.children()) modules = modules[0][4:9] self.model = nn.Sequential(*modules) def forward(self, x): return self.model(x)class MobileNet3(nn.Module): # out 576 channel def __init__(self, ignore) -> None: super().__init__() model = models.mobilenet_v3_small(pretrained=True) modules = list(model.children()) modules = modules[0][9:] self.model = nn.Sequential(*modules) def forward(self, x): return self.model(x)Yolov5网络修改教程(将backbone修改为EfficientNet、MobileNet3、RegNet等)(yolov5参数设置)

第三步,修改yolo.py 在这部分添加这行代码,意思是在解析yaml时放入相应的模块。arg[0]表示yaml模块后跟着的第一个参数,这个参数要告诉模型,此模块输出的通道数。可以回到上面看一看,三个模块的输出通道数为24、48、576。 最后添加模型的yaml,我选择以yolov5n为原型进行修改。

yolov5n

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parametersnc: 80 # number of classesdepth_multiple: 0.33 # model depth multiplewidth_multiple: 0.25 # 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 headhead: [[-1, 1, Conv, [512, 1, 1]], [-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) ]

yolov5n-mobilenet

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parametersnc: 80 # number of classesdepth_multiple: 0.33 # model depth multiplewidth_multiple: 0.25 # 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, MobileNet1, [24]], # 0 [-1, 1, MobileNet2, [48]], # 1 [-1, 1, MobileNet3, [576]], # 2 [-1, 1, SPPF, [1024, 5]], # 3 ]# YOLOv5 v6.0 headhead: [[-1, 1, Conv, [512, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 1], 1, Concat, [1]], # cat backbone P4 [-1, 3, C3, [512, False]], # 7 [-1, 1, Conv, [256, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 0], 1, Concat, [1]], # cat backbone P3 [-1, 3, C3, [256, False]], # 11 (P3/8-small) [-1, 1, Conv, [256, 3, 2]], [[-1, 7], 1, Concat, [1]], # cat head P4 [-1, 3, C3, [512, False]], # 14 (P4/16-medium) [-1, 1, Conv, [512, 3, 2]], [[-1, 3], 1, Concat, [1]], # cat head P5 [-1, 3, C3, [1024, False]], # 17 (P5/32-large) [[11, 14, 17], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5) ]

修改的话其实很好理解,yolov5n的back可以按着#的序号来数,concat的就是下采样层,照葫芦画猫,序号改成我们的模块即可。

最后使用–cfg调用即可

python train.py --cfg yolov5n-mobileNet.yaml --weight yolov5n.pt

简单讲一下Yolov5-MobileNetv3的表现,GFLOPs即运算量大幅度减少的同时,精度与yolov5n未使用预训练网络的性能相近。但是GPU环境下运算速度没有提升,主要由于SE模块的特点,不展开细讲,更适合CPU移动平台。

小秀一下,只更改过一个数字的Yolov5贡献者。下一篇文章将介绍如何使用TensorRT C++加速yolov5.

本文链接地址:https://www.jiuchutong.com/zhishi/290817.html 转载请保留说明!

上一篇:手把手教你将HTML文件打包成.apk和.exe(怎样把htm文件转成excel)

下一篇:【AI绘图】来体验了下AI绘图(ai绘图素材)

  • 员工扣了个税但没交给税务局
  • 税务问答网站
  • 房地产企业土地出让金抵减销项税额
  • 个税申报月份错了怎么改
  • 水电费专用发票税率
  • 结构性存款需要缴纳增值税吗
  • 2021年成本类科目
  • 销售滞后是什么行为
  • 利率与股价的计算方法
  • 资产的计量属性主要包括哪些
  • 滞纳金用留抵增值税交怎么处理
  • 原材料采购没正式发票能否入账?
  • 费用分摊怎么算
  • 流动资产投资的特点有
  • 社保证明缴费证明查询在哪查
  • 机动车发票可以红冲重开吗
  • 企业报税没报怎么办
  • 企业购买银行理财产品如何进行账务处理
  • 挂靠费如何纳税?
  • 伙食费没有发票可以税前扣除吗
  • 企业做账会计需要什么资质
  • 母公司代付子公司费用的委托书
  • 新公司值得入职吗
  • 供应商已注销欠的发票怎么办?
  • 验资报告需要什么材料
  • 怎么找回被册的软件
  • 专用发票和普通发票的报销区别
  • window清除临时存储文件夹
  • 职工薪酬可能计入什么科目
  • 工程结算书和竣工结算书
  • 诉讼费属于什么科目类别
  • 有了php源码该如何使用 新手
  • PHP:imagetypes()的用法_GD库图像处理函数
  • 预收房屋租金
  • php之间传递数据
  • yolov5 anchors 中 K-means聚类
  • Video Transformer | TimeSformer 理解+ 代码实战
  • 医学图像处理的步骤一是设计
  • node.js快速入门
  • json有几种基本结构
  • PHP+JQuery+Ajax实现分页方法详解
  • php二分查找算法两种方法
  • 融资租赁固定资产不属于筹资活动
  • 本期应纳税额是怎么算
  • python怎么写文字
  • 织梦系统如何更换网站内容
  • 研发增值税税率怎么算
  • 资产处置损益影响损益吗
  • 用友t3采购订单怎么录入
  • 区分好坏
  • 个人独资企业进行委托管理要签订劳动合同
  • 企业委托企业
  • 递延所得税资产和负债账务处理
  • 企业收到税务退回税金会计分录怎么写
  • 销货方开红字发票
  • 公司差旅费报销标准表
  • 小规模纳税人残保金减免政策
  • etc发票当天可以打印吗
  • 收到支票如何去银行兑现
  • 企业如何科学设计产品
  • Win2003 上配置 VPN + NAT共享上网的步骤分享
  • solaris 11.3
  • win8开始屏幕设置
  • mac屏保怎么换
  • windows xp的控制面板
  • windows svchost
  • Win10 Mobile 10586.63截图曝光:或为正式推送版本
  • [置顶]星陨计划
  • perl getoption
  • css首字母大写
  • nodejs yield
  • python pygame模块详解
  • JavaScript中的方法名不区分大小写
  • 深入理解新发展理念,推进供给侧结构性改革
  • python的链表
  • jQuery 更改checkbox的状态,无效的解决方法
  • android popupwindow使用
  • 专票单张限额多少
  • 保险发票属于什么类型发票
  • 员工的生育津贴计入工资总额吗
  • 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