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

🚀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. # 1、参数配置
2. # Parameters
3. nc: 80  # 所判断目标类别的种类，此处80类
4. depth_multiple: 0.33  # 模型层数因子 控制模型的深度（BottleneckCSP个数）
5. 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：

🚀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

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