前言
最近在看一些目标检测的最新论文和代码，大多数都是在YOLOv5的基础上进行魔改。
改的最多的基本是原版本的网络结构，这篇博文就从源码角度来解析YOLOv5中，模型是如何构建出来的。
本文使用的是YOLOv5-5.0版本。
模型的深度和宽度
在YOLOv5中，模型结构基本是写在了.yaml中，5.0版本的YOLOv5共有yolov5s，yolov5m，yolov5l和yolov5x四个版本，这四个版本的模型结构一模一样，不同的是两个参数depth_multiple和width_multiple，分别表示模型的深度因子和宽度因子。
在yolo.py中，parse_model函数下的这行代码将深度因子和宽度因子进行读取和赋值。
anchors, nc, gd, gw = d['anchors'], d['nc'], d['depth_multiple'], d['width_multiple']
depth_multiple
首先看深度因子，深度因子参与运算的是这行代码：
n = max(round(n * gd), 1) if n > 1 else n # depth gain
这里的n表示结构的个数，也就是说，n是个>=1的整数(起码得有一个，否则不存在)，depth_multiple越大，那么模型结构的个数也越多，因此网络就更”深“。
width_multiple
再看宽度因子，宽度因子参与运算的是这行代码：
c2 = make_divisible(c2 * gw, 8)
这个c2代表当前层的输出的通道(channel)数，也就是说，width_multiple越大，那么模型结构的通道数越多，因此看起来就更”宽“。
网络构建
下面到了最核心的网络构建部分，从YOLOv3开始，YOLO系列的网络结构都分成骨干(backbone)，颈部(neck)和头部(head)，但是在代码中，颈部和头部被统一写在了head之中。
backbone
以yolov5s为例：
首先来看backbone部分，backbone的代码如下：
backbone:
# [from, number, module, args]
# from表示当前模块的输入来自那一层的输出，-1表示来自上一层的输出
# number表示本模块重复的次数，1表示只有一个，3表示重复3次
# module: 模块名
[[-1, 1, Focus, [64, 3]], # 0-P1/2 [3, 32, 3]
[-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, 9, C3, [256]], # 4 [128, 128, 3]
[-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, 1, SPP, [1024, [5, 9, 13]]], # 8 [512, 512, [5, 9, 13]]
[-1, 3, C3, [1024, False]], # 9 [512, 512, 1, False]
]
这里拿【YOLOV5-5.x 源码解读】yolov5s.yaml这个博主绘制的网络结构图进行对比。
图中的四个参数(例如[1,3,640,640])分别表示一个batch中的样本数、通道数、图像长宽。
以第一个卷积层为例，它的参数是这样算的：
输入[1,32,320,320]，卷积层参数是128个out_channel，3像素的kernel_size，2像素的stride
卷积计算公式如下：
out_size = （in_size - K + 2P）/ S +1
那么，输出特征图的长宽为round((320-3)/2 + 1)=160，因此输出特征图尺寸为160x160，这里初看可能会产生疑惑的是卷积层定义的out_channel明明是128，为什么输出channel却变成了64？其实，这就是前面提到宽度因子在起作用。yolov5s的宽度因子为0.5，这就导致真实的out_channel = 128x0.5 = 64。
因此，输入结果就变成了(1,64,160,160)
其它模块的计算方式类似。
第一个"-1“表示，输入来自上一个模块，这里全都是-1，即模块是一溜子的顺序下来，和图对比可以一一对应上。
head
首先来看head部分，head的代码如下：
head:
[[-1, 1, Conv, [512, 1, 1]], # 10 [512, 256, 1, 1]
[-1, 1, nn.Upsample, [None, 2, 'nearest']], # 11 [None, 2, 'nearest']
[[-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]
[-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]
[[17, 20, 23], 1, Detect, [nc, anchors]], # 24 Detect(P3, P4, P5)
]
我在图中标了序号，对照代码看应该比较清楚。
注，每一个检测头使用1x1的卷积核来调整维度，这个卷积核不包括在.yaml文件中。
最后一行输出17，20，23，即使用这三个卷积层输出的特征图进行检测，按照论文的说法即是对应大目标，中目标和小目标。