⭐深度学习之目标检测yolo算法Ⅳ-YOLOv5（2）

前言：

承接上文，我继续总结关于YOLOv5的源码在实际操作使用中时的一些常见方法，和相应的一些小案例。

1.网络源码原理

yolov5s.yaml（定义 "蓝图"）→ parse_model方法（解析 "蓝图"）→ common.py（提供 "砖块"）

YOLOv5网络为例

1.models/yolov5s.yaml

目标网络的主体架构

2.models/common.py

自定义网络模块（组件）实现文件

3.models/yolo.py 中的parse_model方法

parse_model 方法的核心职责是解析yaml配置文件，构建对应的网络模型结构，其中 "通过eval()方法将 yaml 中的字符串算子反射到common.py中的对象" 是其中的关键步骤

反射机制 eval strings

修改模型添加算子则需要注意以下三点：

1.in_c和out_c的对应关系

2.上述需要注册算子

3.层级关系也需要调整

Detect模块中的前向传播 + 推理时的解码过程

2.模型经验修改

1.网络结构添加注意力

经验添加注意力机制位置试验分析：

试验3：在上采样之前添加注意力机制也可以尝试看看效果怎么样

更小位置的头例：160x160为什么不加注意力机制：

1.计算量太大

2.噪声多易误检

2.模型优化实例

常见模型选用：

1.轻量型人脸检测：yolov3-tiny.yaml

2.大目标输出头：yolo5-p6.yaml （4个头）

3.超大目标选择 :yolov5-p7.yaml （5个头）

1.减少输出头方法

本质：客户数据集主要集中于中小目标，其大目标的输出头20x20作用不大因此删减。

2.添加CA注意力

基于上述修改后（此时仅有两个头）进行2次修改。

1.首先得先在网上找到一个注意力机制的模块将其适配到common.py的算子之中

python 复制代码

class CoordAtt(nn.Module):
    def __init__(self, inp, oup, groups=32):
        super(CoordAtt, self).__init__()
        self.pool_h = nn.AdaptiveAvgPool2d((None, 1))
        self.pool_w = nn.AdaptiveAvgPool2d((1, None))

        mip = max(8, inp // groups)

        self.conv1 = nn.Conv2d(inp, mip, kernel_size=1, stride=1, padding=0)
        self.bn1 = nn.BatchNorm2d(mip)
        self.conv2 = nn.Conv2d(mip, oup, kernel_size=1, stride=1, padding=0)
        self.conv3 = nn.Conv2d(mip, oup, kernel_size=1, stride=1, padding=0)
        self.relu = nn.SiLU(inplace=True)

    def forward(self, x):
        identity = x
        n, c, h, w = x.size()
        x_h = self.pool_h(x)
        x_w = self.pool_w(x).permute(0, 1, 3, 2)

        y = torch.cat([x_h, x_w], dim=2)
        y = self.conv1(y)
        y = self.bn1(y)
        y = self.relu(y)
        x_h, x_w = torch.split(y, [h, w], dim=2)
        x_w = x_w.permute(0, 1, 3, 2)

        x_h = self.conv2(x_h).sigmoid()
        x_w = self.conv3(x_w).sigmoid()
        x_h = x_h.expand(-1, -1, h, w)
        x_w = x_w.expand(-1, -1, h, w)

        y = identity * x_w * x_h

        return y
#wjj end

2.将相应的算子模块注册到yolo.py中（注意算子的参数确定注册位置）

3.在需要执行的yolov5s_80x80_40x40.yaml文件中添加算子且更新其层级关系

相同策略在80x80头前也添加相应的CA注意力机制

3.添加输出头方法

在上述的基础上我们去掉了20x20的输出头，现在我模拟实际操作添加160x160的输出头

锚框适配 ：新增对应分辨率的锚框组（如 160×160 头配小锚框[2,4,5,5,8,10]），删除不需要的锚框组（如删除 20×20 头则删对应 P5 锚框），确保锚框组数与输出头数量一致；

特征源确认：找到新增头对应的 backbone 特征层（160×160 对应 stride=4 的 P2/4 层）；

分支构建：新增 "通道压缩→上采样→拼接 backbone 特征→C3 融合" 的分支，形成新增头的核心特征层；

检测头输入更新 ：修改 Detect 层的输入分支索引，匹配新增 / 保留的输出头（如[[23,26,29], 1, Detect, ...]对应 160/80/40×40 三头）；

✅ 易错点：Concat 拼接时需选 C3 输出的核心特征层，而非注意力层等增强层。

更新时着重注意

✅ 易错点：Concat 拼接时需选 C3 输出的核心特征层，而非注意力层等增强层。

总结

本章承接上一章节，主要做的是在上一章中的yolov5的源码的学习过程中，我们根据实际优化情况总结了一些常见的案例，用于进一步优化我们的网络结构。