如何制作一个个人网站,网站建设完不管了自己怎么接手,微博推广费用一般多少,做app模板网站#x1f368; 本文为#x1f517;365天深度学习训练营 中的学习记录博客#x1f356; 原作者#xff1a;K同学啊 | 接辅导、项目定制#x1f680; 文章来源#xff1a;K同学的学习圈子 文章目录 任务任务拆解 开始修改C2模块修改yolo.py修改模型配置文件 模型训练 上次已… 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 文章来源K同学的学习圈子 文章目录 任务任务拆解 开始修改C2模块修改yolo.py修改模型配置文件 模型训练 上次已经做了一个对YOLOv5的魔改任务这次继续魔改。使用的素材还是之前说到的C2模块但这次会对模型进行范围更大的修改
任务
将原模型修改为新模型 原模型如图 新模型如图
任务拆解
首先分析两个模型之间的改动有哪些
第4层的C3*2修改为了C2*2第6层的C3*3修改为了C3*1移除了第7层的卷积移除了第8层的C3*1
其中C2模块是由C3模块修改而来在之前的博客中也提到过这里贴下图
开始修改
C2模块
首先还是要先编写一个C2模块。打开models/common.py在class C3附近新建一个我们的C2模块
class C3(nn.Module):# CSP Bottleneck with 3 convolutionsdef __init__(self, c1, c2, n1, shortcutTrue, g1, e0.5): # ch_in, ch_out, number, shortcut, groups, expansionsuper().__init__()c_ int(c2 * e) # hidden channelsself.cv1 Conv(c1, c_, 1, 1)self.cv2 Conv(c1, c_, 1, 1)self.cv3 Conv(2 * c_, c2, 1) # optional actFReLU(c2)self.m nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e1.0) for _ in range(n)))def forward(self, x):return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))class C2(nn.Module):def __init__(self, c1, c2, n1, shortcutTrue, g1, e0.5):super().__init__()c_1 c2 // 2c_2 c2 - c_1self.cv1 Conv(c1, c_2, 1, 1)self.cv2 Conv(c1, c_1, 1, 1)self.m nn.Sequential(*(Bottleneck(c_2, c_2, shortcut, g, e1.0) for _ in range(n)))def forward(self, x):return torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1)修改yolo.py
修改yolo.py中函数parse_model中的代码使模型支持我们刚写的C2模块
def parse_model(d, ch): # model_dict, input_channels(3)# Parse a YOLOv5 model.yaml dictionaryLOGGER.info(f\n{:3}{from:18}{n:3}{params:10} {module:40}{arguments:30})anchors, nc, gd, gw, act d[anchors], d[nc], d[depth_multiple], d[width_multiple], d.get(activation)if act:Conv.default_act eval(act) # redefine default activation, i.e. Conv.default_act nn.SiLU()LOGGER.info(f{colorstr(activation:)} {act}) # printna (len(anchors[0]) // 2) if isinstance(anchors, list) else anchors # number of anchorsno na * (nc 5) # number of outputs anchors * (classes 5)layers, save, c2 [], [], ch[-1] # layers, savelist, ch outfor i, (f, n, m, args) in enumerate(d[backbone] d[head]): # from, number, module, argsm eval(m) if isinstance(m, str) else m # eval stringsfor j, a in enumerate(args):with contextlib.suppress(NameError):args[j] eval(a) if isinstance(a, str) else a # eval stringsn n_ max(round(n * gd), 1) if n 1 else n # depth gain# 在这个集合中增加了C2模块if m in {Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv,BottleneckCSP, C3, C2, C3TR, C3SPP, C3Ghost, nn.ConvTranspose2d, DWConvTranspose2d, C3x}: c1, c2 ch[f], args[0]if c2 ! no: # if not outputc2 make_divisible(c2 * gw, 8)args [c1, c2, *args[1:]]# 这这个集合中也增加了C2模块if m in {BottleneckCSP, C3, C2, C3TR, C3Ghost, C3x}: args.insert(2, n) # number of repeatsn 1elif m is nn.BatchNorm2d:args [ch[f]]elif m is Concat:c2 sum(ch[x] for x in f)# TODO: channel, gw, gdelif m in {Detect, Segment}:args.append([ch[x] for x in f])if isinstance(args[1], int): # number of anchorsargs[1] [list(range(args[1] * 2))] * len(f)if m is Segment:args[3] make_divisible(args[3] * gw, 8)elif m is Contract:c2 ch[f] * args[0] ** 2elif m is Expand:c2 ch[f] // args[0] ** 2else:c2 ch[f]m_ nn.Sequential(*(m(*args) for _ in range(n))) if n 1 else m(*args) # modulet str(m)[8:-2].replace(__main__., ) # module typenp sum(x.numel() for x in m_.parameters()) # number paramsm_.i, m_.f, m_.type, m_.np i, f, t, np # attach index, from index, type, number paramsLOGGER.info(f{i:3}{str(f):18}{n_:3}{np:10.0f} {t:40}{str(args):30}) # printsave.extend(x % i for x in ([f] if isinstance(f, int) else f) if x ! -1) # append to savelistlayers.append(m_)if i 0:ch []ch.append(c2)return nn.Sequential(*layers), sorted(save)修改模型配置文件
参考models/yolov5s.yaml来修改模型的配置 对照着刚才识别到的改动来操作
第4层的C3*2修改为了C2*2 将backbone下面的数组第4个元素中的C3修改为C2
# 旧[-1, 6, C3, [256]],
# 新[-1, 6, C2, [256]],第6层的C3*3修改为了C3*1 将backbone下面的数组第6个元素中的 number由9修改为3
# 旧[-1, 9, C3, [512]],
# 新[-1, 3, C3, [512]]移除了第7层的卷积移除了第8层的C3*1 删除backbone中第7个和第8个元素 [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32[-1, 3, C3, [1024]],修改到当前这一步我以为就已经完成了但是实际上只完成了一半。 通过对前面知识的回顾Concat模块会引用上层的模块的输出体现在配置文件中就是会引用数组中的下标但是我们在数组中删除了两个元素会使数组原本的索引失效。 通过上面的模型结构图也可以发现删除两层后6层以后的下标都要减2。于是修改配置文件中的head下面的配置
# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, nearest]],[[-1, 6], 1, Concat, [1]], # 6 不用修改[-1, 3, C3, [512, False]], # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, nearest]],[[-1, 4], 1, Concat, [1]], # 4 不用修改[-1, 3, C3, [256, False]], # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]], # 原来的14现在是12了[-1, 3, C3, [512, False]], # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]], # 原来的10现在是8了[-1, 3, C3, [1024, False]], # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]], # 原来的17,20,23对应现在的15,18,21]
如此改完后我又一次认为已经完成了但是跑了一下却报错了。如图 通过错误信息可以发现是特征图的维度不一致导致的。于是回头分析我们所有的改动C2模块天生就和C3模块的输入和输出维度一样所有可以无缝替换、增加到模型中。另外之所以可以实现C3*n的效果就是因为单个模块的输入和输出也一样。 所以问题不会出现在对C3-C2的改动。剩下的就是删除了两层中有一层是卷积。于是回头看了一下删除的卷积的[-1, 1, Conv, [1024, 3, 2]]它的kernelsize是3stride是2这是一个会让特征图的尺寸缩小一半的卷积由于我们删除了它后面的流程中特征图的尺寸会和原来有所不同最终导致错误。我们需要想办法弥补这个差异。 在head的第一层中使用了一个1x1的卷积我们把它修改为kernelsize3,stride2的卷积。
# 前
head:[[-1, 1, Conv, [512, 1, 1]],
# 后
head:[[-1, 1, Conv, [512, 3, 2]],最终模型配置文件被修改为
# YOLOv5 by Ultralytics, AGPL-3.0 license# Parameters
nc: 80 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
anchors:- [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 backbone
backbone:# [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, C2, [256]],[-1, 1, Conv, [512, 3, 2]], # 5-P4/16[-1, 3, C3, [512]],[-1, 1, SPPF, [1024, 5]], # 7]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 3, 2]], # 8 必须使用stride2来弥补backbone中删除的卷积不然后面特征图的尺寸对不上[-1, 1, nn.Upsample, [None, 2, nearest]], # 9[[-1, 6], 1, Concat, [1]], # cat backbone P4 10[-1, 3, C3, [512, False]], # 11[-1, 1, Conv, [256, 1, 1]], # 12[-1, 1, nn.Upsample, [None, 2, nearest]], # 13[[-1, 4], 1, Concat, [1]], # cat backbone P3 14[-1, 3, C3, [256, False]], # (P3/8-small) 15[-1, 1, Conv, [256, 3, 2]], # 16[[-1, 12], 1, Concat, [1]], # cat head P4 17[-1, 3, C3, [512, False]], # (P4/16-medium) 18[-1, 1, Conv, [512, 3, 2]], # 19[[-1, 8], 1, Concat, [1]], # cat head P5 20[-1, 3, C3, [1024, False]], # (P5/32-large) 21[[15, 18, 21], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)]
模型训练
所有的修改至此就完成了使用train.py脚本训练一下修改后的模型。结果如图
