Yolov5网络修改教程（将backbone修改为EfficientNet、MobileNet3、RegNet等）_yolov5修改网络结构

在我的本科毕业论文中，我使用了Yolov5，并尝试对其更改。可以对Yolov5进行一定程度的定制化修改，例如更轻量级的Yolov5-MobileNetv3 或者比Yolov5s更好的（存疑，没有跑过大数据集，可自己实验）Yolov5-EfficientNet。

首先在修改之前，先看Yolov5的网络结构。整体看起来很复杂，但是不用慌张，本篇文章的主要修改处Backbone（特征提取网络）可以抽象为只有三部分，也就是只需要修改这一处地方即可。

然后了解我们需要修改的代码。需要修改代码主要集中在yolov5的model文件夹下。yaml主要是修改代码后相对应的配置文件。common.py中添加新的模块，yolo.py中则是让模型能够支持读取相应的配置文件。

前情介绍完毕。下面正式开始进行模型修改，第一步是选择一些性能比较好的特征提取网络，比如前文提到的MobileNet、EfficientNet等。其实表现的比较好的特征提取网络，大部分都经过三次及以上的下采样，能够得到三种不同大小的特征图。在Yolov5中会将这三种大小特征图进行特征融合，FPN和APN的操作，这里不详细展开，主要需要注意的是特征提取网络需要提取出三种不同大小的特征图，我们选择特征提取网络的最后三次下采样的输出给Yolov5网络，就完成了特征提取网络的修改。
以MobileNetv3-Small为例（我们甚至不需要自己搭建网络，直接挪用pytorch官方网络，以下网络任君选择）pytorch官网

输出网络结构，观察网络。mobilenetv3中主要分为features、avgpool、classify三部分组成，作用分别为特征提取、全局池化、分类器。我们只需要关注特征提取部分，并且着重关注于最后三次降采样部分，所以我们从最后开始往前进行观察。

MobileNet中的倒数第一次下采样发生在第九个模块。（如何快速看到降采样，简单来讲就是stride为2的地方。当然实际还有kernel_size等于5或者其他情况，但是一般比较新的网络kernel_size为5伴随的还有2的padding，所以偷懒可以只看stride） 因此9-11对应YOLOv5倒数第一次降采样。

倒数第二次降采样4-8

倒数第三次降采样0-3

确定好网络提取方式后，第二步，在common.py中最后添加模块。可以看到非常简单，主要添加MobileNet的三个部分。

from torchvision import models

class MobileNet1(nn.Module):
    # out channel 24
    def __init__(self, ignore) -> None:
        super().__init__()
        model = models.mobilenet_v3_small(pretrained=True)
        modules = list(model.children())
        modules = modules[0][:4]
        self.model = nn.Sequential(*modules)

    def forward(self, x):
        return self.model(x)


class MobileNet2(nn.Module):
    # out 48 channel
    def __init__(self, ignore) -> None:
        super().__init__()
        model = models.mobilenet_v3_small(pretrained=True)
        modules = list(model.children())
        modules = modules[0][4:9]
        self.model = nn.Sequential(*modules)

    def forward(self, x):
        return self.model(x)


class MobileNet3(nn.Module):
    # out 576 channel
    def __init__(self, ignore) -> None:
        super().__init__()
        model = models.mobilenet_v3_small(pretrained=True)
        modules = list(model.children())
        modules = modules[0][9:]
        self.model = nn.Sequential(*modules)
    def forward(self, x):
        return self.model(x)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

第三步，修改yolo.py 在这部分添加这行代码，意思是在解析yaml时放入相应的模块。arg[0]表示yaml模块后跟着的第一个参数，这个参数要告诉模型，此模块输出的通道数。可以回到上面看一看，三个模块的输出通道数为24、48、576。

最后添加模型的yaml，我选择以yolov5n为原型进行修改。

yolov5n

# YOLOv5 声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/article/detail/32051