【Week-Y4】修改yolov5s中C3模块的结构，common.py文件解读

修改C3模块的结构

一、commom.py文件解析
二、修改代码，运行train.py训练

🍨 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C3模块中的结构按照如下方式修改，并跑通YOLOv5。

如左图，有3个conv模块，需要改为右图，右图只包含2个conv模块。
📕提示：仅需修改./models/common.py文件

📕步骤：

（1）首先找到coomon.py中定义C3模块的地方；

（2）然后将代码与上图的左图对应起来，观察需要改动的位置，结合结构，更容易看懂代码；

（3）找到之后按照要求修改，并运行train.py，看是否能跑通。

./models/common.py中，保存的是v5s各个模块的实现，包括基本模块（如autopad、Conv、Bottleneck、BottleneckCSP、C3、SPP、Concat、Expand和Contract）和重要模块（NMS、AutoShape、Detections、Classify）。

一、commom.py文件解析

yolov5-master的文件结构如下：

python 复制代码

yolov5-master
|-classify
|-data
|-models (本次学习需要的文件在这里面)
	|-hub
	|-segment
	|-common.py(这是本次学习需要修改的文件，文件内容是yolov5s各个模块的定义)
	|-experi,emtal.py
	|-tf.py
	...
|-runs
|-segment
|-utils
...

打开common.py文件，找到定义C3模块的位置：

python 复制代码

class C3(nn.Module):
    # CSP Bottleneck with 3 convolutions
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):
        """Initializes C3 module with options for channel count, bottleneck repetition, shortcut usage, group
        convolutions, and expansion.
        """
        super().__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c1, c_, 1, 1)
        self.cv3 = Conv(2 * c_, c2, 1)  # optional act=FReLU(c2)
        self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)))

    def forward(self, x):
        """Performs forward propagation using concatenated outputs from two convolutions and a Bottleneck sequence."""
        return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))

这一段代码中定义了C3的模块结构，初始化时定义了3个卷积结构，然后在forward函数内部，给出了该模块的返回值，将返回值self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))拆解，并与给出的C3结构一一对应，得到下图：

由此可知，去掉concat后的卷积只需要将返回值的最外层丢掉即可。

二、修改代码，运行train.py训练

C3模块修改如下：【注释的那行是原来的结构，也就是concat后还经过了conv】

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】

开始训练：