前言
在上一篇中,我们简单介绍了YOLOv5的配置文件之一 yolov5s.yaml,这个文件中涉及很多参数,它们的调用会在这篇 yolo.py 和下一篇 common.py 中具体实现。
本篇我们会介绍 yolo.py,这是YOLO的特定模块,和网络构建有关。在 YOLOv5源码中,模型的建立是依靠 yolo.py 中的函数和对象完成的,这个文件主要由三个部分:parse_model函数、Detect类和Model类组成。
yolo.py文件位置在./models/yolo.py
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:全文4万字,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(5)——配置文件yolov5s.yaml
YOLOv5源码逐行超详细注释与解读(7)——网络结构(2)common.py
目录
前言
🚀一、 导包和基本配置
1.1 导入安装好的python库
1.2 获取当前文件的绝对路径
1.3 加载自定义模块
🚀二、parse_model函数
2.1 获取对应参数
2.2 搭建网络前准备
2.3 更新当前层的参数,计算c2
2.4 使用当前层的参数搭建当前层
2.5 打印和保存layers
🚀 三、Detect模块
3.1 获取预测得到的参数
3.2 向前传播
3.3 相对坐标转换到grid绝对坐标系
🚀四、Model类
4.1 __init__函数
4.2 数据增强相关函数
4.2.1 forward():管理前向传播函数
4.2.2 _forward_augment():推理的forward
4.2.3 _forward_once():训练的forward
4.2.4 _descale_pred():将推理结果恢复到原图尺寸
4.2.5 _clip_augmented():TTA的时候对原图片进行裁剪
4.2.6 _profile_one_layer():打印日志信息
4.2.7 _initialize_biases():初始化偏置biases信息
4.2.8 _print_biases():打印偏置biases信息
4.2.9 fuse():将Conv2d+BN进行融合
4.2.10 autoshape():扩展模型功能
4.2.11 info():打印模型结构信息
4.2.12 _apply():将模块转移到 CPU/ GPU上
🚀五、yolo.py全部注释
🚀一、 导包和基本配置
1.1 导入安装好的python库
'''======================1.导入安装好的python库====================='''
import argparse # 解析命令行参数模块
import sys # sys系统模块 包含了与Python解释器和它的环境有关的函数
from copy import deepcopy # 数据拷贝模块 深拷贝
from pathlib import Path # Path将str转换为Path对象 使字符串路径易于操作的模块
首先,导入一下常用的python库:
- argparse: 它是一个用于命令项选项与参数解析的模块,通过在程序中定义好我们需要的参数,argparse 将会从 sys.argv 中解析出这些参数,并自动生成帮助和使用信息
- sys: 它是与python解释器交互的一个接口,该模块提供对解释器使用或维护的一些变量的访问和获取,它提供了许多函数和变量来处理 Python 运行时环境的不同部分
- copy: Python 中赋值语句不复制对象,而是在目标和对象之间创建绑定关系。copy模块提供了通用的浅层复制和深层复制操作
- pathlib: 这个库提供了一种面向对象的方式来与文件系统交互,可以让代码更简洁、更易读
1.2 获取当前文件的绝对路径
'''===================2.获取当前文件的绝对路径========================'''
FILE = Path(__file__).resolve() # __file__指的是当前文件(即val.py),FILE最终保存着当前文件的绝对路径,比如D://yolov5/modles/yolo.py
ROOT = FILE.parents[1] # YOLOv5 root directory 保存着当前项目的父目录,比如 D://yolov5
if str(ROOT) not in sys.path: # sys.path即当前python环境可以运行的路径,假如当前项目不在该路径中,就无法运行其中的模块,所以就需要加载路径
sys.path.append(str(ROOT)) # add ROOT to PATH 把ROOT添加到运行路径上
# ROOT = ROOT.relative_to(Path.cwd()) # relative ROOT设置为相对路径
这段代码会获取当前文件的绝对路径,并使用Path库将其转换为Path对象。
这一部分的主要作用有两个:
- 将当前项目添加到系统路径上,以使得项目中的模块可以调用。
- 将当前项目的相对路径保存在ROOT中,便于寻找项目中的文件。
1.3 加载自定义模块
'''===================3..加载自定义模块============================'''
from models.common import * # yolov5的网络结构(yolov5)
from models.experimental import * # 导入在线下载模块
from utils.autoanchor import check_anchor_order # 导入检查anchors合法性的函数
from utils.general import LOGGER, check_version, check_yaml, make_divisible, print_args # 定义了一些常用的工具函数
from utils.plots import feature_visualization # 定义了Annotator类,可以在图像上绘制矩形框和标注信息
from utils.torch_utils import (copy_attr, fuse_conv_and_bn, initialize_weights, model_info, scale_img, select_device,
time_sync) # 定义了一些与PyTorch有关的工具函数
# 导入thop包 用于计算FLOPs
try:
import thop # for FLOPs computation
except ImportError:
thop = None
这些都是用户自定义的库,由于上一步已经把路径加载上了,所以现在可以导入,这个顺序不可以调换。具体来说,代码从如下几个文件中导入了部分函数和类:
- models.common: 这个是yolov5的网络结构
- models.experimental: 实验性质的代码,包括MixConv2d、跨层权重Sum等
- utils.autoanchor: 定义了自动生成锚框的方法
- utils.general: 定义了一些常用的工具函数,比如检查文件是否存在、检查图像大小是否符合要求、打印命令行参数等等
- utils.plots: 定义了Annotator类,可以在图像上绘制矩形框和标注信息
- utils.torch_utils: 定义了一些与PyTorch有关的工具函数,比如选择设备、同步时间等
通过导入这些模块,可以更方便地进行目标检测的相关任务,并且减少了代码的复杂度和冗余。
🚀二、parse_model函数
parse_model函数用在DetectionModel模块中,主要作用是解析模型yaml的模块,通过读取yaml文件中的配置,并且到common.py中找到相对于的模块,然后组成一个完整的模型解析模型文件(字典形式),并搭建网络结构。简单来说,就是把yaml文件中的网络结构实例化成对应的模型。后续如果需要动模型框架的话,需要对这个函数做相应的改动。
2.1 获取对应参数
def parse_model(d, ch): # model_dict, input_channels(3)
'''===================1. 获取对应参数============================'''
# 使用 logging 模块输出列标签
LOGGER.info(f"\n{'':>3}{'from':>18}{'n':>3}{'params':>10} {'module':<40}{'arguments':<30}")
# 获取anchors,nc,depth_multiple,width_multiple
anchors, nc, gd, gw = d['anchors'], d['nc'], d['depth_multiple'], d['width_multiple']
# na: 每组先验框包含的先验框数
na = (len(anchors[0]) // 2) if isinstance(anchors, list) else anchors # number of anchors
# no: na * 属性数 (5 + 分类数)
no = na * (nc + 5) # number of outputs = anchors * (classes + 5)
这段代码主要是获取配置dict里面的参数,并打印最开始展示的网络结构表的表头。
我们先解释几个参数,d和ch,na和no:
- d: yaml 配置文件(字典形式),yolov5s.yaml中的6个元素 + ch
- ch: 记录模型每一层的输出channel,初始ch=[3],后面会删除
- na: 判断anchor的数量
- no: 根据anchor数量推断的输出维度
这里有一行代码我们上篇YOLOv5源码逐行超详细注释与解读(5)——配置文件yolov5s.yaml就见过了:
这里就是读取了 yaml 文件的相关参数(参数含义忘了的话再看看上篇哦)
2.2 搭建网络前准备
'''===================2. 搭建网络前准备============================'''
# 网络单元列表, 网络输出引用列表, 当前的输出通道数
layers, save, c2 = [], [], ch[-1] # layers, savelist, ch out
# 读取 backbone, head 中的网络单元
for i, (f, n, m, args) in enumerate(d['backbone'] + d['head']): # from, number, module, args
# 利用 eval 函数, 读取 model 参数对应的类名 如‘Focus’,'Conv'等
m = eval(m) if isinstance(m, str) else m # eval strings
# 利用 eval 函数将字符串转换为变量 如‘None’,‘nc’,‘anchors’等
for j, a in enumerate(args):
try:
args[j] = eval(a) if isinstance(a, str) else a # eval strings
except NameError:
pass
这段代码主要是遍历backbone和head的每一层,获取搭建网络前的一系列信息。
我们还是先解释参数,layers、save和c2:
- layers: 保存每一层的层结构
- save: 记录下所有层结构中from不是-1的层结构序号
- c2: 保存当前层的输出channel
然后开始迭代循环backbone与head的配置。for i, (f, n, m, args) in enumerate(d['backbone'] + d['head']):中有几个参数
- f: from,当前层输入来自哪些层
- n: number,当前层次数 初定
- m: module,当前层类别
- args: 当前层类参数 初定
接着还用到一个函数eval(),主要作用是将字符串当成有效的表达式来求值,并且返回执行的结果。在这里简单来说,就是实现list、dict、tuple与str之间的转化。
2.3 更新当前层的参数,计算c2
'''===================3. 更新当前层的参数,计算c2============================'''
# depth gain: 控制深度,如yolov5s: n*0.33
# n: 当前模块的次数(间接控制深度)
n = n_ = max(round(n * gd), 1) if n > 1 else n # depth gain
# 当该网络单元的参数含有: 输入通道数, 输出通道数
if m in [Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv,
BottleneckCSP, C3, C3TR, C3SPP, C3Ghost]:
# c1: 当前层的输入channel数; c2: 当前层的输出channel数(初定); ch: 记录着所有层的输出channel数
c1, c2 = ch[f], args[0]
# no=75,只有最后一层c2=no,最后一层不用控制宽度,输出channel必须是no
if c2 != no: # if not output
# width gain: 控制宽度,如yolov5s: c2*0.5; c2: 当前层的最终输出channel数(间接控制宽度)
c2 = make_divisible(c2 * gw, 8)
这段代码主要是更新当前层的args,计算c2(当前层的输出channel)
首先网络将C3中的BottleNeck数量乘以模型缩放倍数n*gd控制模块的深度缩放,举个栗子,对于yolo5s来讲,gd为0.33,那么就是n*0.33,也就是把默认的深度缩放为原来的1/3。
然后将m实例化成同名模块,别看列举了那么多模块,目前只用到Conv,SPP,Focus,C3,nn.Upsample。对于以上的这几种类型的模块,ch是一个用来保存之前所有的模块输出的channle,ch[-1]代表着上一个模块的输出通道。args[0]是默认的输出通道。
这样以来,c1=ch[f]就代表输入通道c1为f指向的层的输出通道,c2=args[0]就代表输出通道c2为yaml的args中的第一个变量。注意,如果输出通道不等于255即Detect层的输出通道, 则将通道数乘上width_multiple,并调整为8的倍数。通过函数make_divisible来实现
make_divisible()代码如下:
# 使得X能够被divisor整除
def make_divisible(x, divisor):
return math.ceil(x / divisor) * divisor
2.4 使用当前层的参数搭建当前层
'''===================4.使用当前层的参数搭建当前层============================'''
# 在初始args的基础上更新,加入当前层的输入channel并更新当前层
# [in_channels, out_channels, *args[1:]]
args = [c1, c2, *args[1:]]
# 如果当前层是BottleneckCSP/C3/C3TR/C3Ghost/C3x,则需要在args中加入Bottleneck的个数
# [in_channels, out_channels, Bottleneck个数, Bool(shortcut有无标记)]
if m in [BottleneckCSP, C3, C3TR, C3Ghost]:
# 在第二个位置插入bottleneck个数n
args.insert(2, n) # number of repeats
# 恢复默认值1
n = 1
# 判断是否是归一化模块
elif m is nn.BatchNorm2d:
# BN层只需要返回上一层的输出channel
args = [ch[f]]
# 判断是否是tensor连接模块
elif m is Concat:
# Concat层则将f中所有的输出累加得到这层的输出channel
c2 = sum(ch[x] for x in f)
# 判断是否是detect模块
elif m is Detect:
# 在args中加入三个Detect层的输出channel
args.append([ch[x] for x in f])
if isinstance(args[1], int): # number of anchors 几乎不执行
args[1] = [list(range(args[1] * 2))] * len(f)
elif m is Contract: # 不怎么用
c2 = ch[f] * args[0] ** 2
elif m is Expand: # 不怎么用
c2 = ch[f] // args[0] ** 2
else:
c2 = ch[f] # args不变
这段代码主要是使用当前层的参数搭建当前层。
经过以上处理,args里面保存的前两个参数就是module的输入通道数、输出通道数。只有BottleneckCSP和C3这两种module会根据深度参数n调整该模块的重复迭加次数。
然后进行的是其他几种类型的Module判断:
- 如果是BN层,只需要返回上一层的输出channel,通道数保持不变。
- 如果是Concat层,则将f中所有的输出累加得到这层的输出channel,f是所有需要拼接层的index,输出通道c2是所有层的和。
- 如果是Detect层,则对应检测头部分,这块下一小节细讲。
Contract和Expand目前未在模型中使用。
2.5 打印和保存layers
'''===================5.打印和保存layers信息============================'''
# m_: 得到当前层的module,将n个模块组合存放到m_里面
m_ = nn.Sequential(*(m(*args) for _ in range(n))) if n > 1 else m(*args) # module
# 打印当前层结构的一些基本信息
t = str(m)[8:-2].replace('__main__.', '') # module type
# 计算这一层的参数量
np = sum(x.numel() for x in m_.parameters()) # number params
m_.i, m_.f, m_.type, m_.np = i, f, t, np # attach index, 'from' index, type, number params
LOGGER.info(f'{i:>3}{str(f):>18}{n_:>3}{np:10.0f} {t:<40}{str(args):<30}') # print
# 把所有层结构中的from不是-1的值记下 [6,4,14,10,17,20,23]
save.extend(x % i for x in ([f] if isinstance(f, int) else f) if x != -1) # append to savelist
# 将当前层结构module加入layers中
layers.append(m_)
if i == 0:
ch = [] # 去除输入channel[3]
# 把当前层的输出channel数加入ch
ch.append(c2)
return nn.Sequential(*layers), sorted(save)
这段代码主要是打印当前层结构的一些基本信息并保存。
把构建的模块保存到layers里,把该层的输出通道数写入ch列表里。待全部循环结束后再构建成模型。
返回值:
- return nn.Sequential(*layers): 网络的每一层的层结构
- return sorted(save): 把所有层结构中from不是-1的值记下 并排序 [4, 6, 10, 14, 17, 20, 23]
至此模型就全部构建完毕了。
下面详细介绍一下各个模块。
🚀 三、Detect模块
Detect 模块是 YOLO 网络模型的最后一层 (对应 yaml 文件最后一行),通过 yaml 文件进行声明,格式为:
[*from], 1, Detect, [nc, anchors]
其中 nc 为分类数,anchors 为先验框,修改 yaml 文件的前几行即可。
在 parse_model 函数中,会根据 from 参数,找到对应网络层的输出通道数。传参给 Detect 对象后,生成对应的 Conv2d,为后面的计算损失或者NMS后处理作准备。
3.1 获取预测得到的参数
class Detect(nn.Module):
stride = None # 特征图的缩放步长
onnx_dynamic = False # ONNX动态量化
'''===================1.获取预测得到的参数============================'''
def __init__(self, nc=80, anchors=(), ch=(), inplace=True): # detection layer
super().__init__()
# nc: 数据集类别数量
self.nc = nc
# no: 表示每个anchor的输出数,前nc个01字符对应类别,后5个对应:是否有目标,目标框的中心,目标框的宽高
self.no = nc + 5 # nc+5=nc+(x,y,w,h,conf)
# nl: 表示预测层数,yolov5是3层预测
self.nl = len(anchors)
# na: 表示anchors的数量,除以2是因为[10,13, 16,30, 33,23]这个长度是6,对应3个anchor
self.na = len(anchors[0]) // 2
# grid: 表示初始化grid列表大小,下面会计算grid,grid就是每个格子的x,y坐标(整数,比如0-19),左上角为(1,1),右下角为(input.w/stride,input.h/stride)
self.grid = [torch.zeros(1)] * self.nl
# anchor_grid: 表示初始化anchor_grid列表大小,空列表
self.anchor_grid = [torch.zeros(1)] * self.nl # init anchor grid
# 注册常量anchor,并将预选框(尺寸)以数对形式存入,并命名为anchors
self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2)) # shape(nl,na,2) 注意后面就可以通过self.anchors来访问它了
# 每一张进行三次预测,每一个预测结果包含nc+5个值
# (n, 255, 80, 80),(n, 255, 40, 40),(n, 255, 20, 20) --> ch=(255, 255, 255)
# 255 -> (nc+5)*3 ===> 为了提取出预测框的位置信息以及预测框尺寸信息
self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch) # output conv 3个输出层最后的1乘1卷积
# inplace: 一般都是True,默认不使用AWS,Inferentia加速
self.inplace = inplace # use in-place ops (e.g. slice assignment)
# 如果模型不训练那么将会对这些预测得到的参数进一步处理,然后输出,可以方便后期的直接调用
# 包含了三个信息pred_box [x,y,w,h] pred_conf[confidence] pre_cls[cls0,cls1,cls2,...clsn]
这段代码主要是获取预测得到的各种信息。
detection layer 相当于yolov3中的YOLOLayer层,我们解释一下包含的参数:
- nc: 分类数量
- no: 每个anchor的输出数,为(x,y,w,h,conf) + nc = 5 + nc 的总数
- nl: 预测层数,此次为3
- na: anchors的数量,此次为3
- grid: 格子坐标系,左上角为(1,1),右下角为(input.w/stride,input.h/stride)
3.2 向前传播
'''===================2.向前传播============================'''
def forward(self, x):
z = [] # inference output
for i in range(self.nl):
x[i] = self.m[i](x[i]) # conv
bs, _, ny, nx = x[i].shape # x(bs,255,20,20) to x(bs,3,20,20,85)
# 维度重排列: bs, 先验框组数, 检测框行数, 检测框列数, 属性数 + 分类数
x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous() # contiguous 将数据保证内存中位置连续
'''
向前传播时需要将相对坐标转换到grid绝对坐标系中
'''
if not self.training: # inference
'''
生成坐标系
grid[i].shape = [1,1,ny,nx,2]
[[[[1,1],[1,2],...[1,nx]],
[[2,1],[2,2],...[2,nx]],
...,
[[ny,1],[ny,2],...[ny,nx]]]]
'''
# 换输入后重新设定锚框
if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
# 加载网格点坐标 先验框尺寸
self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)
'''
按损失函数的回归方式来转换坐标
'''
y = x[i].sigmoid()
# 改变原数据 计算定位参数
if self.inplace:
# grid: 位置基准 或者理解为 cell的预测初始位置,而y[..., 0:2]是作为在grid坐标基础上的位置偏移
y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
# anchor_grid: 预测框基准 或者理解为 预测框的初始位置,而 y[..., 2:4]是作为预测框位置的调整
y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
else: # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
# stride: 是一个grid cell的实际尺寸
# 经过sigmoid, 值范围变成了(0-1),下一行代码将值变成范围(-0.5,1.5)
xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
# 范围变成(0-4)倍,设置为4倍的原因是下层的感受野是上层的2倍
# 因下层注重检测大目标,相对比上层而言,计算量更小,4倍是一个折中的选择
wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
y = torch.cat((xy, wh, y[..., 4:]), -1)
# 存储每个特征图检测框的信息
z.append(y.view(bs, -1, self.no))
# 训练阶段直接返回x
# 预测阶段返回3个特征图拼接的结果
return x if self.training else (torch.cat(z, 1), x)
这段代码主要是对三个feature map分别进行处理:(n, 255, 80, 80),(n, 255, 40, 40),(n, 255, 20, 20)
首先进行for循环,每次i的循环,产生一个z。维度重排列:(n, 255, _, _) -> (n, 3, nc+5, ny, nx) -> (n, 3, ny, nx, nc+5),三层分别预测了80*80、40*40、20*20次。
接着 构造网格,因为推理返回的不是归一化后的网格偏移量,需要再加上网格的位置,得到最终的推理坐标,再送入nms。所以这里构建网格就是为了纪律每个grid的网格坐标 方面后面使用
最后按损失函数的回归方式来转换坐标,利用sigmoid激活函数计算定位参数,cat(dim=-1)为直接拼接。注意: 训练阶段直接返回x ,而预测阶段返回3个特征图拼接的结果
3.3 相对坐标转换到grid绝对坐标系
'''===================3.相对坐标转换到grid绝对坐标系============================'''
def _make_grid(self, nx=20, ny=20, i=0):
d = self.anchors[i].device
if check_version(torch.__version__, '1.10.0'): # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)], indexing='ij')
else:
yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)])
# grid --> (20, 20, 2), 复制成3倍,因为是三个框 -> (3, 20, 20, 2)
grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float()
# anchor_grid即每个格子对应的anchor宽高,stride是下采样率,三层分别是8,16,32
anchor_grid = (self.anchors[i].clone() * self.stride[i]) \
.view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float()
return grid, anchor_grid
这段代码主要是将相对坐标转换到grid绝对坐标系。
首先构造网格标尺坐标
- indexing='ij' : 表示的是i是同一行,j表示同一列
- indexing='xy' : 表示的是x是同一列,y表示同一行
grid复制成3倍,因为是3个框。anchor_grid是每个anchor宽高。anchor_grid = (self.anchors[i].clone() * self.stride[i])。注意这里为啥要乘呢?因为在外面已经把anchors给除了对应的下采样率,这里再乘回来。
🚀四、Model类
Model类是整个模型的构造模块部分。 通过自定义YOLO模型类 ,继承torch.nn.Module。主要作用是指定模型的yaml文件以及一系列的训练参数。
4.1 __init__函数
(1) 首先加载yaml文件
class Model(nn.Module):
'''===================1.__init__函数==========================='''
def __init__(self, cfg='yolov5s.yaml', ch=3, nc=None, anchors=None): # model, input channels, number of classes
# 父类的构造方法
super().__init__()
# 检查传入的参数格式,如果cfg是加载好的字典结果
if isinstance(cfg, dict):
# 直接保存到模型中
self.yaml = cfg # model dict
# 若不是字典 则为yaml文件路径
else: # is *.yaml 一般执行这里
# 导入yaml文件
import yaml # for torch hub
# 保存文件名:cfg file name = yolov5s.yaml
self.yaml_file = Path(cfg).name
# 如果配置文件中有中文,打开时要加encoding参数
with open(cfg, encoding='ascii', errors='ignore') as f:
# 将yaml文件加载为字典
self.yaml = yaml.safe_load(f) # model dict 取到配置文件中每条的信息(没有注释内容)
__init__函数主要功能为从yaml中初始化model中各种变量包括网络模型model、通道ch,分类数nc,锚框anchor和三层输出缩放倍数stride等。
- cfg: YOLO v5模型配置文件 这里使用yolov5s模型
- ch: 输入图片的通道数 默认为3
- nc: 数据集的类别个数
- anchors: 表示anchor框, 一般是None
然后判断输入的cfg是否为字典。一般都不是字典,直接进入else,打开yaml文件,转换成字典格式。
(2)接着开始搭建模型
# Define model
# 搭建模型
# yaml.get('ch', ch)表示若不存在键'ch',则返回值ch
ch = self.yaml['ch'] = self.yaml.get('ch', ch) # input channels
# 判断类的通道数和yaml中的通道数是否相等,一般不执行,因为nc=self.yaml['nc']恒成立
if nc and nc != self.yaml['nc']:
# 在终端给出提示
LOGGER.info(f"Overriding model.yaml nc={self.yaml['nc']} with nc={nc}")
# 将yaml中的值修改为构造方法中的值
self.yaml['nc'] = nc # override yaml value
# 重写anchor,一般不执行, 因为传进来的anchors一般都是None
if anchors:
# 在终端给出提示
LOGGER.info(f'Overriding model.yaml anchors with anchors={anchors}')
# 将yaml中的值改为构造方法中的值
self.yaml['anchors'] = round(anchors) # override yaml value
转换为字典以后,就可以进行模型搭建了。首先要判断:
- 判断yaml中是否有设置输入图像的通道ch,如果没有就默认为3。
- 判断分类总数nc和anchor与yaml中是否一致,如果不一致,则使用init函数参数中指定的nc和anchor。
(3) 读取yaml中的网络结构并实例化
# 解析模型,self.model是解析后的模型 self.save是每一层与之相连的层
self.model, self.save = parse_model(deepcopy(self.yaml), ch=[ch]) # deepcopy()复杂产生一个新的对象
# 加载每一类的类别名
self.names = [str(i) for i in range(self.yaml['nc'])] # default names
# inplace指的是原地操作 如x+=1 有利于节约内存
# self.inplace=True 默认True 不使用加速推理
self.inplace = self.yaml.get('inplace', True)
这里是通过parse_model来进行解析和建立模型的。
到这一步为止,我们的yolo模型的网络架构就已经全部搭建完成了。
(4)最后来计算图像从输入到输出的缩放倍数和anchor在head上的大小
# Build strides, anchors
# 构造步长、先验框
m = self.model[-1] # Detect()
# 判断最后一层是否为Detect层
if isinstance(m, Detect):
# 定义一个256 * 256大小的输入
s = 256 # 2x min stride
m.inplace = self.inplace
# 保存特征层的stride,并且将anchor处理成相对于特征层的格式
m.stride = torch.tensor([s / x.shape[-2] for x in self.forward(torch.zeros(1, ch, s, s))]) # forward
# 原始定义的anchor是原始图片上的像素值,要将其缩放至特征图的大小
m.anchors /= m.stride.view(-1, 1, 1)
# 检查anchor顺序与stride顺序是否一致
check_anchor_order(m)
# 将步长保存至模型
self.stride = m.stride
# 初始化bias
self._initialize_biases() # only run once
# Init weights, biases
# 初始化权重
initialize_weights(self)
# 打印模型信息
self.info()
LOGGER.info('')
主要步骤:
1.获取结构最后一层Detect层
2.定义一个256*256大小的输入
3.将[1, ch, 256, 256]大小的tensor进行一次向前传播,得到3层的输出,用输入大小256分别除以输出大小得到每一层的下采样倍数stride
4.分别用最初的anchor大小除以stride将anchor线性缩放到对应层上
4.2 数据增强相关函数
4.2.1 forward():管理前向传播函数
# ===1.forward():管理前向传播函数=== #
def forward(self, x, augment=False, profile=False, visualize=False):
# 是否在测试时也使用数据增强
if augment:
# 增强训练,对数据采取了一些了操作
return self._forward_augment(x) # augmented inference, None
# 默认执行,正常前向推理
return self._forward_once(x, profile, visualize) # single-scale inference, train
这里做了一个分支,是否在测试时使用数据增强:
- 如果使用增强训练,则返回推理的forward(_forward_augment)
- 如果不使用增强训练,则返回训练的forward(_forward_once)
包含参数:
- x: 原图
- augment : 是否使用增强式推导
- profile: 是否测试每个网络层的性能
- visualize: 是否输出每个网络层的特征图
4.2.2 _forward_augment():推理的forward
# ===2._forward_augment():推理的forward=== #
# 将图片进行裁剪,并分别送入模型进行检测
def _forward_augment(self, x):
# 获得图像的高和宽
img_size = x.shape[-2:] # height, width
# s是规模
s = [1, 0.83, 0.67] # scales
# flip是翻转,这里的参数表示沿着哪个轴翻转
f = [None, 3, None] # flips (2-ud, 3-lr)
y = [] # outputs
for si, fi in zip(s, f):
# scale_img函数的作用就是根据传入的参数缩放和翻转图像
xi = scale_img(x.flip(fi) if fi else x, si, gs=int(self.stride.max()))
# 模型前向传播
yi = self._forward_once(xi)[0] # forward
# cv2.imwrite(f'img_{si}.jpg', 255 * xi[0].cpu().numpy().transpose((1, 2, 0))[:, :, ::-1]) # save
# 恢复数据增强前的模样
yi = self._descale_pred(yi, fi, si, img_size)
y.append(yi)
# 对不同尺寸进行不同程度的筛选
y = self._clip_augmented(y) # clip augmented tails
return torch.cat(y, 1), None # augmented inference, train
这里的代码是在推理的时候做数据增强TTA(Test Time Augmentation),其 x 参数是图像所对应的 tensor。
这个函数只在 val、detect 主函数中使用,用于提高推导的精度。
设分类数为 80 、检测框属性数为 5,则基本步骤是:
- 对图像进行变换:总共 3 次,分别是 [ 原图 ],[ 尺寸缩小到原来的 0.83,同时水平翻转 ],[ 尺寸缩小到原来的 0.67 ]
- 对图像使用 _forward_once 函数,得到在 eval 模式下网络模型的推导结果。对原图是 shape 为 [1, 22743, 85] 的图像检测框信息 (见 Detect 对象的 forward 函数)
- 根据 尺寸缩小倍数、翻转维度 对检测框信息进行逆变换,添加进列表 y
- 截取 y[0] 对大物体的检测结果,保留 y[1] 所有的检测结果,截取 y[2] 对小物体的检测结果,拼接得到新的检测框信息
4.2.3 _forward_once():训练的forward
# ===3._forward_once():训练的forward=== #
def _forward_once(self, x, profile=False, visualize=False):
# 各网络层输出, 各网络层推导耗时
# y: 存放着self.save=True的每一层的输出,因为后面的层结构concat等操作要用到
# dt: 在profile中做性能评估时使用
y, dt = [], [] # outputs
# 遍历model的各个模块
for m in self.model:
# m.f 就是该层的输入来源,如果不为-1那就不是从上一层而来
if m.f != -1: # if not from previous layer
# from 参数指向的网络层输出的列表
x = y[m.f] if isinstance(m.f, int) else [x if j == -1 else y[j] for j in m.f] # from earlier layers
# 测试该网络层的性能
if profile:
self._profile_one_layer(m, x, dt)
# 使用该网络层进行推导, 得到该网络层的输出
x = m(x) # run
# 存放着self.save的每一层的输出,因为后面需要用来作concat等操作要用到 不在self.save层的输出就为None
y.append(x if m.i in self.save else None) # save output
# 将每一层的输出结果保存到y
if visualize:
# 绘制该 batch 中第一张图像的特征图
feature_visualization(x, m.type, m.i, save_dir=visualize)
return x
这个函数是训练的forward,对模型每一层进行迭代。
参数为:
- x: 输入图像
- profile: 是否测试每个网络层的性能,是则调用 self._profile_one_layer 函数
- visualize: 是否输出每个网络层的特征图,是则调用 utils.plots.feature_visualization。这个函数是取 batch 中的第一张图像,然后把每个通道上的二维矩阵看成一张灰度图,分别绘制
4.2.4 _descale_pred():将推理结果恢复到原图尺寸
# ===4._descale_pred():将推理结果恢复到原图尺寸(逆操作)=== #
def _descale_pred(self, p, flips, scale, img_size):
# de-scale predictions following augmented inference (inverse operation)
if self.inplace:
# 把x,y,w,h恢复成原来的大小
p[..., :4] /= scale # de-scale
# bs c h w 当flips=2是对h进行变换,那就是上下进行翻转
if flips == 2:
p[..., 1] = img_size[0] - p[..., 1] # de-flip ud
# 同理flips=3是对水平进行翻转
elif flips == 3:
p[..., 0] = img_size[1] - p[..., 0] # de-flip lr
else:
x, y, wh = p[..., 0:1] / scale, p[..., 1:2] / scale, p[..., 2:4] / scale # de-scale
if flips == 2:
y = img_size[0] - y # de-flip ud
elif flips == 3:
x = img_size[1] - x # de-flip lr
p = torch.cat((x, y, wh, p[..., 4:]), -1)
return p
这段代码主要是用在上面的__init__函数上,将推理结果恢复到原图图片尺寸TTA中用到
参数为:
- p: 推理结果
- flips: 翻转标记(2-ud上下, 3-lr左右)
- scale: 图片缩放比例
- img_size: 原图图片尺寸
4.2.5 _clip_augmented():TTA的时候对原图片进行裁剪
# ===5._clip_augmented():TTA的时候对原图片进行裁剪=== #
# 也是一种数据增强方式,用在TTA测试的时候
def _clip_augmented(self, y):
# Clip YOLOv5 augmented inference tails
nl = self.model[-1].nl # number of detection layers (P3-P5)
g = sum(4 ** x for x in range(nl)) # grid points
e = 1 # exclude layer count
i = (y[0].shape[1] // g) * sum(4 ** x for x in range(e)) # indices
y[0] = y[0][:, :-i] # large
i = (y[-1].shape[1] // g) * sum(4 ** (nl - 1 - x) for x in range(e)) # indices
y[-1] = y[-1][:, i:] # small
return y
这个没啥要讲的,其实也是一种数据增强方式,用在TTA测试的时候
4.2.6 _profile_one_layer():打印日志信息
# ===6._profile_one_layer():打印日志信息=== #
def _profile_one_layer(self, m, x, dt):
c = isinstance(m, Detect) # is final layer, copy input as inplace fix
o = thop.profile(m, inputs=(x.copy() if c else x,), verbose=False)[0] / 1E9 * 2 if thop else 0 # FLOPs
t = time_sync()
for _ in range(10):
m(x.copy() if c else x)
dt.append((time_sync() - t) * 100)
if m == self.model[0]:
LOGGER.info(f"{'time (ms)':>10s} {'GFLOPs':>10s} {'params':>10s} {'module'}")
LOGGER.info(f'{dt[-1]:10.2f} {o:10.2f} {m.np:10.0f} {m.type}')
if c:
LOGGER.info(f"{sum(dt):10.2f} {'-':>10s} {'-':>10s} Total")
这个函数用于测试每个网络层的性能
参数为:
- m: 网络层
- x: 该网络层的 from 列表中的网络层输出
- dt: 各网络层推导耗时 (列表)
使用 logging 模块输出有:
- time (ms): 前向推导时间
- GFLOPs: 浮点运算量,需要安装 thop 模块
- params: 网络层参数量
- module: 网络层名称
4.2.7 _initialize_biases():初始化偏置biases信息
# ===7._initialize_biases():初始化偏置biases信息=== #
def _initialize_biases(self, cf=None): # initialize biases into Detect(), cf is class frequency
# https://arxiv.org/abs/1708.02002 section 3.3
# cf = torch.bincount(torch.tensor(np.concatenate(dataset.labels, 0)[:, 0]).long(), minlength=nc) + 1.
m = self.model[-1] # Detect() module
for mi, s in zip(m.m, m.stride): # from
b = mi.bias.view(m.na, -1) # conv.bias(255) to (3,85)
b.data[:, 4] += math.log(8 / (640 / s) ** 2) # obj (8 objects per 640 image)
b.data[:, 5:] += math.log(0.6 / (m.nc - 0.999999)) if cf is None else torch.log(cf / cf.sum()) # cls
mi.bias = torch.nn.Parameter(b.view(-1), requires_grad=True)
这段代码是用来初始化detect的偏置,用在上面的__init__函数上
4.2.8 _print_biases():打印偏置biases信息
# ===8._print_biases():打印偏置biases信息=== #
def _print_biases(self):
"""
打印模型中最后Detect层的偏置bias信息(也可以任选哪些层bias信息)
"""
m = self.model[-1] # Detect() module
for mi in m.m: # from
b = mi.bias.detach().view(m.na, -1).T # conv.bias(255) to (3,85)
LOGGER.info(
('%6g Conv2d.bias:' + '%10.3g' * 6) % (mi.weight.shape[1], *b[:5].mean(1).tolist(), b[5:].mean()))
这段代码主要是打印模型中最后Detect层的偏置bias信息,也可以任选哪些层bias信息
4.2.9 fuse():将Conv2d+BN进行融合
# ===9.fuse():将Conv2d+BN进行融合=== #
def fuse(self): # fuse model Conv2d() + BatchNorm2d() layers
LOGGER.info('Fusing layers... ')
for m in self.model.modules():
# 如果当前层是卷积层Conv且有bn结构, 那么就调用fuse_conv_and_bn函数讲conv和bn进行融合, 加速推理
if isinstance(m, (Conv, DWConv)) and hasattr(m, 'bn'):
# 更新卷积层
m.conv = fuse_conv_and_bn(m.conv, m.bn) # update conv
# 移除bn
delattr(m, 'bn') # remove batchnorm
# 更新前向传播
m.forward = m.forward_fuse # update forward
# 打印conv+bn融合后的模型信息
self.info()
return self
这段代码主要是调用了 fuse_conv_and_bn 这个函数将Conv2d+BN进行融合
用在detect.py、val.py,调用torch_utils.py中的fuse_conv_and_bn函数和common.py中Conv模块的fuseforward函数。最后打印出融合后的模型信息。
4.2.10 autoshape():扩展模型功能
# ===10.autoshape():扩展模型功能=== #
def autoshape(self): # add AutoShape module
LOGGER.info('Adding AutoShape... ')
# 此时模型包含前处理、推理、后处理的模块(预处理 + 推理 + nms)
m = AutoShape(self) # wrap model
copy_attr(m, self, include=('yaml', 'nc', 'hyp', 'names', 'stride'), exclude=()) # copy attributes
return m
这段代码直接调用common.py中的AutoShape模块,也是一个扩展模型功能的模块,来实现扩展模型功能
4.2.11 info():打印模型结构信息
# ===11.info():打印模型结构信息=== #
def info(self, verbose=False, img_size=640): # print model information
model_info(self, verbose, img_size)
这段代码是用在上面的__init__函数上调用torch_utils.py下model_info函数打印模型信息
4.2.12 _apply():将模块转移到 CPU/ GPU上
# ===12._apply():将模块转移到 CPU/ GPU上=== #
def _apply(self, fn):
# Apply to(), cpu(), cuda(), half() to model tensors that are not parameters or registered buffers
self = super()._apply(fn)
m = self.model[-1] # Detect()
if isinstance(m, Detect):
m.stride = fn(m.stride)
m.grid = list(map(fn, m.grid))
if isinstance(m.anchor_grid, list):
m.anchor_grid = list(map(fn, m.anchor_grid))
return self
这段代码主要是将模块转移到 CPU/ GPU上
pytorch中的model.apply(fn)会递归地将函数fn应用到父模块的每个子模块submodule,也包括model这个父模块自身。经常用于初始化init_weights的操作。
(终于写完这一堆函数了,寝室熄灯太难了555)
这里面除了模型搭建还包含很多拓展功能,我们主要看的是__init__和__forward__两个函数。
🚀五、yolo.py全部注释
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
"""
YOLO-specific modules
Usage:
$ python path/to/models/yolo.py --cfg yolov5s.yaml
"""
'''===============================================一、导入包==================================================='''
'''======================1.导入安装好的python库====================='''
import argparse # 解析命令行参数模块
import sys # sys系统模块 包含了与Python解释器和它的环境有关的函数
from copy import deepcopy # 数据拷贝模块 深拷贝
from pathlib import Path # Path将str转换为Path对象 使字符串路径易于操作的模块
'''===================2.获取当前文件的绝对路径========================'''
FILE = Path(__file__).resolve() # __file__指的是当前文件(即val.py),FILE最终保存着当前文件的绝对路径,比如D://yolov5/modles/yolo.py
ROOT = FILE.parents[1] # YOLOv5 root directory 保存着当前项目的父目录,比如 D://yolov5
if str(ROOT) not in sys.path: # sys.path即当前python环境可以运行的路径,假如当前项目不在该路径中,就无法运行其中的模块,所以就需要加载路径
sys.path.append(str(ROOT)) # add ROOT to PATH 把ROOT添加到运行路径上
# ROOT = ROOT.relative_to(Path.cwd()) # relative ROOT设置为相对路径
'''===================3..加载自定义模块============================'''
from models.common import * # yolov5的网络结构(yolov5)
from models.experimental import * # 导入在线下载模块
from utils.autoanchor import check_anchor_order # 导入检查anchors合法性的函数
from utils.general import LOGGER, check_version, check_yaml, make_divisible, print_args # 定义了一些常用的工具函数
from utils.plots import feature_visualization # 定义了Annotator类,可以在图像上绘制矩形框和标注信息
from utils.torch_utils import (copy_attr, fuse_conv_and_bn, initialize_weights, model_info, scale_img, select_device,
time_sync) # 定义了一些与PyTorch有关的工具函数
# 导入thop包 用于计算FLOPs
try:
import thop # for FLOPs computation
except ImportError:
thop = None
'''===============================================二、Detect模块==================================================='''
'''
Detect模块是用来构建Detect层的,将输入feature map 通过一个卷积操作和公式计算到我们想要的shape, 为后面的计算损失或者NMS后处理作准备
'''
class Detect(nn.Module):
stride = None # 特征图的缩放步长
onnx_dynamic = False # ONNX动态量化
'''===================1.获取预测得到的参数============================'''
def __init__(self, nc=80, anchors=(), ch=(), inplace=True): # detection layer
"""
detection layer 相当于yolov3中的YOLOLayer层
:params nc: 数据集类别数量
:params anchors: 传入3个feature map上的所有anchor的大小(P3、P4、P5)
:params ch: [128, 256, 512] 3个输出feature map的channel
"""
super().__init__()
# nc: 数据集类别数量
self.nc = nc
# no: 表示每个anchor的输出数,前nc个01字符对应类别,后5个对应:是否有目标,目标框的中心,目标框的宽高
self.no = nc + 5 # nc+5=nc+(x,y,w,h,conf)
# nl: 表示预测层数,yolov5是3层预测
self.nl = len(anchors)
# na: 表示anchors的数量,除以2是因为[10,13, 16,30, 33,23]这个长度是6,对应3个anchor
self.na = len(anchors[0]) // 2
# grid: 表示初始化grid列表大小,下面会计算grid,grid就是每个格子的x,y坐标(整数,比如0-19),左上角为(1,1),右下角为(input.w/stride,input.h/stride)
self.grid = [torch.zeros(1)] * self.nl
# anchor_grid: 表示初始化anchor_grid列表大小,空列表
self.anchor_grid = [torch.zeros(1)] * self.nl # init anchor grid
# 注册常量anchor,并将预选框(尺寸)以数对形式存入,并命名为anchors
self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2)) # shape(nl,na,2) 注意后面就可以通过self.anchors来访问它了
# 每一张进行三次预测,每一个预测结果包含nc+5个值
# (n, 255, 80, 80),(n, 255, 40, 40),(n, 255, 20, 20) --> ch=(255, 255, 255)
# 255 -> (nc+5)*3 ===> 为了提取出预测框的位置信息以及预测框尺寸信息
self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch) # output conv 3个输出层最后的1乘1卷积
# inplace: 一般都是True,默认不使用AWS,Inferentia加速
self.inplace = inplace # use in-place ops (e.g. slice assignment)
# 如果模型不训练那么将会对这些预测得到的参数进一步处理,然后输出,可以方便后期的直接调用
# 包含了三个信息pred_box [x,y,w,h] pred_conf[confidence] pre_cls[cls0,cls1,cls2,...clsn]
'''===================2.向前传播============================'''
def forward(self, x):
z = [] # inference output
# 对三个feature map分别进行处理
# (n, 255, 80, 80),(n, 255, 40, 40),(n, 255, 20, 20)
for i in range(self.nl):
# 下面3行代码的工作:
# (n, 255, _, _) -> (n, 3, nc+5, ny, nx) -> (n, 3, ny, nx, nc+5)
# 相当于三层分别预测了80*80、40*40、20*20次,每一次预测都包含3个框
# 进行1*1卷积,经过这个卷积就变成(5+分类数)个通道了
x[i] = self.m[i](x[i]) # conv
bs, _, ny, nx = x[i].shape # x(bs,255,20,20) to x(bs,3,20,20,85)
# 维度重排列: bs, 先验框组数, 检测框行数, 检测框列数, 属性数 + 分类数
x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous() # contiguous 将数据保证内存中位置连续
'''
向前传播时需要将相对坐标转换到grid绝对坐标系中
'''
if not self.training: # inference
'''
生成坐标系
grid[i].shape = [1,1,ny,nx,2]
[[[[1,1],[1,2],...[1,nx]],
[[2,1],[2,2],...[2,nx]],
...,
[[ny,1],[ny,2],...[ny,nx]]]]
'''
# 换输入后重新设定锚框
if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
# 加载网格点坐标 先验框尺寸
self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)
'''
按损失函数的回归方式来转换坐标
'''
y = x[i].sigmoid()
# 改变原数据 计算定位参数
if self.inplace:
# grid: 位置基准 或者理解为 cell的预测初始位置,而y[..., 0:2]是作为在grid坐标基础上的位置偏移
y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
# anchor_grid: 预测框基准 或者理解为 预测框的初始位置,而 y[..., 2:4]是作为预测框位置的调整
y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
else: # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
# stride: 是一个grid cell的实际尺寸
# 经过sigmoid, 值范围变成了(0-1),下一行代码将值变成范围(-0.5,1.5)
xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
# 范围变成(0-4)倍,设置为4倍的原因是下层的感受野是上层的2倍
# 因下层注重检测大目标,相对比上层而言,计算量更小,4倍是一个折中的选择
wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
y = torch.cat((xy, wh, y[..., 4:]), -1)
# 存储每个特征图检测框的信息
z.append(y.view(bs, -1, self.no))
# 训练阶段直接返回x
# 预测阶段返回3个特征图拼接的结果
return x if self.training else (torch.cat(z, 1), x)
'''===================3.相对坐标转换到grid绝对坐标系============================'''
def _make_grid(self, nx=20, ny=20, i=0):
d = self.anchors[i].device
if check_version(torch.__version__, '1.10.0'): # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
# 网格标尺坐标
# indexing='ij' 表示的是i是同一行,j表示同一列
# indexing='xy' 表示的是x是同一列,y表示同一行
yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)], indexing='ij')
else:
yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)])
# grid --> (20, 20, 2), 复制成3倍,因为是三个框 -> (3, 20, 20, 2)
grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float()
# anchor_grid即每个格子对应的anchor宽高,stride是下采样率,三层分别是8,16,32,这里为啥要乘呢,因为在外面已经把anchors给除了对应的下采样率,这里再乘回来
anchor_grid = (self.anchors[i].clone() * self.stride[i]) \
.view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float()
return grid, anchor_grid
'''===============================================三、Model模块==================================================='''
class Model(nn.Module):
'''===================1.__init__函数==========================='''
def __init__(self, cfg='yolov5s.yaml', ch=3, nc=None, anchors=None): # model, input channels, number of classes
"""
:params cfg:YOLO v5模型配置文件 这里使用yolov5s模型
:params ch: 输入图片的通道数 默认为3
:params nc: 数据集的类别个数
:anchors: 表示anchor框, 一般是None
"""
# 父类的构造方法
super().__init__()
# 检查传入的参数格式,如果cfg是加载好的字典结果
if isinstance(cfg, dict):
# 直接保存到模型中
self.yaml = cfg # model dict
# 若不是字典 则为yaml文件路径
else: # is *.yaml 一般执行这里
# 导入yaml文件
import yaml # for torch hub
# 保存文件名:cfg file name = yolov5s.yaml
self.yaml_file = Path(cfg).name
# 如果配置文件中有中文,打开时要加encoding参数
with open(cfg, encoding='ascii', errors='ignore') as f:
# 将yaml文件加载为字典
self.yaml = yaml.safe_load(f) # model dict 取到配置文件中每条的信息(没有注释内容)
'''===================2.获取输入通道============================'''
# Define model
# 搭建模型
# yaml.get('ch', ch)表示若不存在键'ch',则返回值ch
ch = self.yaml['ch'] = self.yaml.get('ch', ch) # input channels
# 判断类的通道数和yaml中的通道数是否相等,一般不执行,因为nc=self.yaml['nc']恒成立
if nc and nc != self.yaml['nc']:
# 在终端给出提示
LOGGER.info(f"Overriding model.yaml nc={self.yaml['nc']} with nc={nc}")
# 将yaml中的值修改为构造方法中的值
self.yaml['nc'] = nc # override yaml value
# 重写anchor,一般不执行, 因为传进来的anchors一般都是None
if anchors:
# 在终端给出提示
LOGGER.info(f'Overriding model.yaml anchors with anchors={anchors}')
# 将yaml中的值改为构造方法中的值
self.yaml['anchors'] = round(anchors) # override yaml value
# 解析模型,self.model是解析后的模型 self.save是每一层与之相连的层
self.model, self.save = parse_model(deepcopy(self.yaml), ch=[ch]) # deepcopy()复杂产生一个新的对象
# 加载每一类的类别名
self.names = [str(i) for i in range(self.yaml['nc'])] # default names
# inplace指的是原地操作 如x+=1 有利于节约内存
# self.inplace=True 默认True 不使用加速推理
self.inplace = self.yaml.get('inplace', True)
'''===================3.获取Detect输出模块============================'''
# Build strides, anchors
# 构造步长、先验框
m = self.model[-1] # Detect()
# 判断最后一层是否为Detect层
if isinstance(m, Detect):
# 定义一个256 * 256大小的输入
s = 256 # 2x min stride
m.inplace = self.inplace
# 保存特征层的stride,并且将anchor处理成相对于特征层的格式
m.stride = torch.tensor([s / x.shape[-2] for x in self.forward(torch.zeros(1, ch, s, s))]) # forward
# 原始定义的anchor是原始图片上的像素值,要将其缩放至特征图的大小
m.anchors /= m.stride.view(-1, 1, 1)
# 检查anchor顺序与stride顺序是否一致
check_anchor_order(m)
# 将步长保存至模型
self.stride = m.stride
# 初始化bias
self._initialize_biases() # only run once
# Init weights, biases
# 初始化权重
initialize_weights(self)
# 打印模型信息
self.info()
LOGGER.info('')
'''===================4.数据增强============================'''
# ===1.forward():管理前向传播函数=== #
def forward(self, x, augment=False, profile=False, visualize=False):
# 是否在测试时也使用数据增强
if augment:
# 增强训练,对数据采取了一些了操作
return self._forward_augment(x) # augmented inference, None
# 默认执行,正常前向推理
return self._forward_once(x, profile, visualize) # single-scale inference, train
# ===2._forward_augment():推理的forward=== #
# 将图片进行裁剪,并分别送入模型进行检测
def _forward_augment(self, x):
# 获得图像的高和宽
img_size = x.shape[-2:] # height, width
# s是规模
s = [1, 0.83, 0.67] # scales
# flip是翻转,这里的参数表示沿着哪个轴翻转
f = [None, 3, None] # flips (2-ud, 3-lr)
y = [] # outputs
for si, fi in zip(s, f):
# scale_img函数的作用就是根据传入的参数缩放和翻转图像
xi = scale_img(x.flip(fi) if fi else x, si, gs=int(self.stride.max()))
# 模型前向传播
yi = self._forward_once(xi)[0] # forward
# cv2.imwrite(f'img_{si}.jpg', 255 * xi[0].cpu().numpy().transpose((1, 2, 0))[:, :, ::-1]) # save
# 恢复数据增强前的模样
yi = self._descale_pred(yi, fi, si, img_size)
y.append(yi)
# 对不同尺寸进行不同程度的筛选
y = self._clip_augmented(y) # clip augmented tails
return torch.cat(y, 1), None # augmented inference, train
# ===3._forward_once():训练的forward=== #
def _forward_once(self, x, profile=False, visualize=False):
"""
:params x: 输入图像
:params profile: True 可以做一些性能评估
:params feature_vis: True 可以做一些特征可视化
:return train: 一个tensor list 存放三个元素 [bs, anchor_num, grid_w, grid_h, xywh+c+20classes]
分别是 [1, 3, 80, 80, 25] [1, 3, 40, 40, 25] [1, 3, 20, 20, 25]
inference: 0 [1, 19200+4800+1200, 25] = [bs, anchor_num*grid_w*grid_h, xywh+c+20classes]
1 一个tensor list 存放三个元素 [bs, anchor_num, grid_w, grid_h, xywh+c+20classes]
[1, 3, 80, 80, 25] [1, 3, 40, 40, 25] [1, 3, 20, 20, 25]
"""
# 各网络层输出, 各网络层推导耗时
# y: 存放着self.save=True的每一层的输出,因为后面的层结构concat等操作要用到
# dt: 在profile中做性能评估时使用
y, dt = [], [] # outputs
# 遍历model的各个模块
for m in self.model:
# m.f 就是该层的输入来源,如果不为-1那就不是从上一层而来
if m.f != -1: # if not from previous layer
# from 参数指向的网络层输出的列表
x = y[m.f] if isinstance(m.f, int) else [x if j == -1 else y[j] for j in m.f] # from earlier layers
# 测试该网络层的性能
if profile:
self._profile_one_layer(m, x, dt)
# 使用该网络层进行推导, 得到该网络层的输出
x = m(x) # run
# 存放着self.save的每一层的输出,因为后面需要用来作concat等操作要用到 不在self.save层的输出就为None
y.append(x if m.i in self.save else None) # save output
# 将每一层的输出结果保存到y
if visualize:
# 绘制该 batch 中第一张图像的特征图
feature_visualization(x, m.type, m.i, save_dir=visualize)
return x
# ===4._descale_pred():将推理结果恢复到原图尺寸(逆操作)=== #
def _descale_pred(self, p, flips, scale, img_size):
# de-scale predictions following augmented inference (inverse operation)
''' 用在上面的__init__函数上
将推理结果恢复到原图图片尺寸 Test Time Augmentation(TTA)中用到
:params p: 推理结果
:params flips: 翻转标记(2-ud上下, 3-lr左右)
:params scale: 图片缩放比例
:params img_size: 原图图片尺寸
'''
if self.inplace:
# 把x,y,w,h恢复成原来的大小
p[..., :4] /= scale # de-scale
# bs c h w 当flips=2是对h进行变换,那就是上下进行翻转
if flips == 2:
p[..., 1] = img_size[0] - p[..., 1] # de-flip ud
# 同理flips=3是对水平进行翻转
elif flips == 3:
p[..., 0] = img_size[1] - p[..., 0] # de-flip lr
else:
x, y, wh = p[..., 0:1] / scale, p[..., 1:2] / scale, p[..., 2:4] / scale # de-scale
if flips == 2:
y = img_size[0] - y # de-flip ud
elif flips == 3:
x = img_size[1] - x # de-flip lr
p = torch.cat((x, y, wh, p[..., 4:]), -1)
return p
# ===5._clip_augmented():TTA的时候对原图片进行裁剪=== #
# 也是一种数据增强方式,用在TTA测试的时候
def _clip_augmented(self, y):
# Clip YOLOv5 augmented inference tails
nl = self.model[-1].nl # number of detection layers (P3-P5)
g = sum(4 ** x for x in range(nl)) # grid points
e = 1 # exclude layer count
i = (y[0].shape[1] // g) * sum(4 ** x for x in range(e)) # indices
y[0] = y[0][:, :-i] # large
i = (y[-1].shape[1] // g) * sum(4 ** (nl - 1 - x) for x in range(e)) # indices
y[-1] = y[-1][:, i:] # small
return y
# ===6._profile_one_layer():打印日志信息=== #
def _profile_one_layer(self, m, x, dt):
c = isinstance(m, Detect) # is final layer, copy input as inplace fix
o = thop.profile(m, inputs=(x.copy() if c else x,), verbose=False)[0] / 1E9 * 2 if thop else 0 # FLOPs
t = time_sync()
for _ in range(10):
m(x.copy() if c else x)
dt.append((time_sync() - t) * 100)
if m == self.model[0]:
LOGGER.info(f"{'time (ms)':>10s} {'GFLOPs':>10s} {'params':>10s} {'module'}")
LOGGER.info(f'{dt[-1]:10.2f} {o:10.2f} {m.np:10.0f} {m.type}')
if c:
LOGGER.info(f"{sum(dt):10.2f} {'-':>10s} {'-':>10s} Total")
# ===7._initialize_biases():初始化偏置biases信息=== #
def _initialize_biases(self, cf=None): # initialize biases into Detect(), cf is class frequency
# https://arxiv.org/abs/1708.02002 section 3.3
# cf = torch.bincount(torch.tensor(np.concatenate(dataset.labels, 0)[:, 0]).long(), minlength=nc) + 1.
m = self.model[-1] # Detect() module
for mi, s in zip(m.m, m.stride): # from
b = mi.bias.view(m.na, -1) # conv.bias(255) to (3,85)
b.data[:, 4] += math.log(8 / (640 / s) ** 2) # obj (8 objects per 640 image)
b.data[:, 5:] += math.log(0.6 / (m.nc - 0.999999)) if cf is None else torch.log(cf / cf.sum()) # cls
mi.bias = torch.nn.Parameter(b.view(-1), requires_grad=True)
# ===8._print_biases():打印偏置biases信息=== #
def _print_biases(self):
"""
打印模型中最后Detect层的偏置bias信息(也可以任选哪些层bias信息)
"""
m = self.model[-1] # Detect() module
for mi in m.m: # from
b = mi.bias.detach().view(m.na, -1).T # conv.bias(255) to (3,85)
LOGGER.info(
('%6g Conv2d.bias:' + '%10.3g' * 6) % (mi.weight.shape[1], *b[:5].mean(1).tolist(), b[5:].mean()))
# def _print_weights(self):
# for m in self.model.modules():
# if type(m) is Bottleneck:
# LOGGER.info('%10.3g' % (m.w.detach().sigmoid() * 2)) # shortcut weights
# ===9.fuse():将Conv2d+BN进行融合=== #
def fuse(self): # fuse model Conv2d() + BatchNorm2d() layers
"""用在detect.py、val.py
fuse model Conv2d() + BatchNorm2d() layers
调用oneflow_utils.py中的fuse_conv_and_bn函数和common.py中Conv模块的fuseforward函数
"""
LOGGER.info('Fusing layers... ')
for m in self.model.modules():
# 如果当前层是卷积层Conv且有bn结构, 那么就调用fuse_conv_and_bn函数讲conv和bn进行融合, 加速推理
if isinstance(m, (Conv, DWConv)) and hasattr(m, 'bn'):
# 更新卷积层
m.conv = fuse_conv_and_bn(m.conv, m.bn) # update conv
# 移除bn
delattr(m, 'bn') # remove batchnorm
# 更新前向传播
m.forward = m.forward_fuse # update forward
# 打印conv+bn融合后的模型信息
self.info()
return self
# ===10.autoshape():扩展模型功能=== #
def autoshape(self): # add AutoShape module
"""
add AutoShape module 直接调用common.py中的AutoShape模块 也是一个扩展模型功能的模块
"""
LOGGER.info('Adding AutoShape... ')
# 此时模型包含前处理、推理、后处理的模块(预处理 + 推理 + nms)
m = AutoShape(self) # wrap model
copy_attr(m, self, include=('yaml', 'nc', 'hyp', 'names', 'stride'), exclude=()) # copy attributes
return m
# ===11.info():打印模型结构信息=== #
def info(self, verbose=False, img_size=640): # print model information
"""
用在上面的__init__函数上调用torch_utils.py下model_info函数打印模型信息
"""
model_info(self, verbose, img_size)
# ===12._apply():将模块转移到 CPU/ GPU上=== #
def _apply(self, fn):
# Apply to(), cpu(), cuda(), half() to model tensors that are not parameters or registered buffers
self = super()._apply(fn)
m = self.model[-1] # Detect()
if isinstance(m, Detect):
m.stride = fn(m.stride)
m.grid = list(map(fn, m.grid))
if isinstance(m.anchor_grid, list):
m.anchor_grid = list(map(fn, m.anchor_grid))
return self
'''===============================================四、parse_model模块==================================================='''
def parse_model(d, ch): # model_dict, input_channels(3)
'''===================1. 获取对应参数============================'''
# 使用 logging 模块输出列标签
LOGGER.info(f"\n{'':>3}{'from':>18}{'n':>3}{'params':>10} {'module':<40}{'arguments':<30}")
# 获取anchors,nc,depth_multiple,width_multiple,这些参数在介绍yaml时已经介绍过
anchors, nc, gd, gw = d['anchors'], d['nc'], d['depth_multiple'], d['width_multiple']
# na: 每组先验框包含的先验框数
na = (len(anchors[0]) // 2) if isinstance(anchors, list) else anchors # number of anchors
# no: na * 属性数 (5 + 分类数)
no = na * (nc + 5) # number of outputs = anchors * (classes + 5)
'''===================2. 开始搭建网络============================'''
# 网络单元列表, 网络输出引用列表, 当前的输出通道数
layers, save, c2 = [], [], ch[-1] # layers, savelist, ch out
# 读取 backbone, head 中的网络单元
for i, (f, n, m, args) in enumerate(d['backbone'] + d['head']): # from, number, module, args
# 利用 eval 函数, 读取 model 参数对应的类名
m = eval(m) if isinstance(m, str) else m # eval strings
# 使用 eval 函数将字符串转换为变量
for j, a in enumerate(args):
try:
args[j] = eval(a) if isinstance(a, str) else a # eval strings
except NameError:
pass
'''===================3. 更新当前层的参数,计算c2============================'''
# depth gain: 控制深度,如yolov5s: n*0.33,n: 当前模块的次数(间接控制深度)
n = n_ = max(round(n * gd), 1) if n > 1 else n # depth gain
# 当该网络单元的参数含有: 输入通道数, 输出通道数
if m in [Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv,
BottleneckCSP, C3, C3TR, C3SPP, C3Ghost]:
# c1: 当前层的输入channel数; c2: 当前层的输出channel数(初定); ch: 记录着所有层的输出channel数
c1, c2 = ch[f], args[0]
# no=75,只有最后一层c2=no,最后一层不用控制宽度,输出channel必须是no
if c2 != no: # if not output
# width gain: 控制宽度,如yolov5s: c2*0.5; c2: 当前层的最终输出channel数(间接控制宽度)
c2 = make_divisible(c2 * gw, 8)
'''===================4.使用当前层的参数搭建当前层============================'''
# 在初始args的基础上更新,加入当前层的输入channel并更新当前层
# [in_channels, out_channels, *args[1:]]
args = [c1, c2, *args[1:]]
# 如果当前层是BottleneckCSP/C3/C3TR/C3Ghost/C3x,则需要在args中加入Bottleneck的个数
# [in_channels, out_channels, Bottleneck个数, Bool(shortcut有无标记)]
if m in [BottleneckCSP, C3, C3TR, C3Ghost]:
# 在第二个位置插入bottleneck个数n
args.insert(2, n) # number of repeats
# 恢复默认值1
n = 1
# 判断是否是归一化模块
elif m is nn.BatchNorm2d:
# BN层只需要返回上一层的输出channel
args = [ch[f]]
# 判断是否是tensor连接模块
elif m is Concat:
# Concat层则将f中所有的输出累加得到这层的输出channel
c2 = sum(ch[x] for x in f)
# 判断是否是detect模块
elif m is Detect:
# 在args中加入三个Detect层的输出channel
args.append([ch[x] for x in f])
if isinstance(args[1], int): # number of anchors 几乎不执行
args[1] = [list(range(args[1] * 2))] * len(f)
elif m is Contract: # 不怎么用
c2 = ch[f] * args[0] ** 2
elif m is Expand: # 不怎么用
c2 = ch[f] // args[0] ** 2
else:
c2 = ch[f] # args不变
'''===================5.打印和保存layers信息============================'''
# m_: 得到当前层的module,将n个模块组合存放到m_里面
m_ = nn.Sequential(*(m(*args) for _ in range(n))) if n > 1 else m(*args) # module
# 打印当前层结构的一些基本信息
t = str(m)[8:-2].replace('__main__.', '') # module type
# 计算这一层的参数量
np = sum(x.numel() for x in m_.parameters()) # number params
m_.i, m_.f, m_.type, m_.np = i, f, t, np # attach index, 'from' index, type, number params
LOGGER.info(f'{i:>3}{str(f):>18}{n_:>3}{np:10.0f} {t:<40}{str(args):<30}') # print
# 把所有层结构中的from不是-1的值记下 [6,4,14,10,17,20,23]
save.extend(x % i for x in ([f] if isinstance(f, int) else f) if x != -1) # append to savelist
# 将当前层结构module加入layers中
layers.append(m_)
if i == 0:
ch = [] # 去除输入channel[3]
# 把当前层的输出channel数加入ch
ch.append(c2)
return nn.Sequential(*layers), sorted(save)
if __name__ == '__main__':
parser = argparse.ArgumentParser() # 创建解析器
# --cfg: 模型配置文件
parser.add_argument('--cfg', type=str, default='yolov5s.yaml', help='model.yaml')
# --device: 选用设备
parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
# --profile: 用户配置文件
parser.add_argument('--profile', action='store_true', help='profile model speed')
# --test: 测试
parser.add_argument('--test', action='store_true', help='test all yolo*.yaml')
opt = parser.parse_args()# 增加后的属性赋值给args
opt.cfg = check_yaml(opt.cfg) # 检查YAML文件
print_args(FILE.stem, opt) # 检测YOLO v5的github仓库是否更新,若已更新,给出提示
device = select_device(opt.device) # 选择设备
# Create model
# 构造模型
model = Model(opt.cfg).to(device)
model.train()
# Profile
#用户自定义配置
if opt.profile:
img = torch.rand(8 if torch.cuda.is_available() else 1, 3, 640, 640).to(device)
y = model(img, profile=True)
# Test all models
# 测试所有的模型
if opt.test:
for cfg in Path(ROOT / 'models').rglob('yolo*.yaml'):
try:
_ = Model(cfg)
except Exception as e:
print(f'Error in {cfg}: {e}')
# Tensorboard (not working https://github.com/ultralytics/yolov5/issues/2898)
# from torch.utils.tensorboard import SummaryWriter
# tb_writer = SummaryWriter('.')
# LOGGER.info("Run 'tensorboard --logdir=models' to view tensorboard at http://localhost:6006/")
# tb_writer.add_graph(torch.jit.trace(model, img, strict=False), []) # add model graph
本文参考:
【YOLOV5-5.x 源码解读】yolo.py_yolov5 yolo.py_满船清梦压星河HK的博客-CSDN博客
YOLOv5 源码解析 —— 网络模型建立_yolov5网络模型_荷碧TongZJ的博客