前言

前面簡(jiǎn)單介紹了YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)和創(chuàng)新點(diǎn)（直通車：【YOLO系列】YOLOv5超詳細(xì)解讀（網(wǎng)絡(luò)詳解））

在接下來(lái)我們會(huì)進(jìn)入到Y(jié)OLOv5更深一步的學(xué)習(xí)，首先從源碼解讀開(kāi)始。

因?yàn)槲沂羌冃“?#xff0c;剛開(kāi)始下載完源碼時(shí)真的一臉懵，所以就先從最基礎(chǔ)的項(xiàng)目目錄結(jié)構(gòu)開(kāi)始吧~因?yàn)橄嚓P(guān)解讀不是很多，所以有的是我根據(jù)作者給的英文文檔自己翻譯的，如有不對(duì)之處歡迎大家指正呀！這篇只是簡(jiǎn)單介紹每個(gè)文件是做什么的，大體上了解這個(gè)項(xiàng)目，具體的代碼詳解后期會(huì)慢慢更新，也歡迎大家關(guān)注我的專欄，和我一起學(xué)習(xí)呀！

源碼下載地址：mirrors / ultralytics / yolov5 · GitCode

---

目錄

前言

?一、項(xiàng)目目錄結(jié)構(gòu)

?1.1?.github文件夾

?1.2?datasets

?1.3?data文件夾

?1.4?models文件夾

?1.5?runs文件夾

?1.6?utils文件夾

?1.7其他一級(jí)目錄文件

---

?一、項(xiàng)目目錄結(jié)構(gòu)

?

?將源碼下載好并配置好環(huán)境之后，就可以看到Y(jié)OLOv5的整體目錄如上圖所示。

接下來(lái)我們逐一分析

?1.1?.github文件夾

?

?github是存放關(guān)于github上的一些“配置”的，這個(gè)不重要，我們可以不管它。

---

1.2?datasets

?

我們剛下載下來(lái)的源碼是不包含這個(gè)文件夾的，datasets用來(lái)存放自己的數(shù)據(jù)集，分為images和labels兩部分。同時(shí)每一個(gè)文件夾下，又應(yīng)該分為train，val。.cache文件為緩存文件，將數(shù)據(jù)加載到內(nèi)存中，方便下次調(diào)用快速?？梢宰悦?#xff0c;比如我的火焰數(shù)據(jù)集就叫“fire_yolo_format”。

---

?1.3?data文件夾

??

data文件夾主要是存放一些超參數(shù)的配置文件（如.yaml文件）是用來(lái)配置訓(xùn)練集和測(cè)試集還有驗(yàn)證集的路徑的，其中還包括目標(biāo)檢測(cè)的種類數(shù)和種類的名稱；還有一些官方提供測(cè)試的圖片。YOLOv5 有大約 30 個(gè)超參數(shù)用于各種訓(xùn)練設(shè)置。更好的初始猜測(cè)會(huì)產(chǎn)生更好的最終結(jié)果，因此在演化之前正確初始化這些值很重要。

如果是訓(xùn)練自己的數(shù)據(jù)集的話，那么就需要修改其中的yaml文件。不過(guò)要注意，自己的數(shù)據(jù)集不建議放在這個(gè)路徑下面，建議把數(shù)據(jù)集放到Y(jié)OLOv5項(xiàng)目的同級(jí)目錄下面。

詳解：

• hyps文件夾? ?# 存放yaml格式的超參數(shù)配置文件

  • hyps.scratch-high.yaml? #?數(shù)據(jù)增強(qiáng)高，適用于大型型號(hào)，即v3、v3-spp、v5l、v5x

  • hyps.scratch-low.yaml? # 數(shù)據(jù)增強(qiáng)低，適用于較小型號(hào)，即v5n、v5s

  • hyps.scratch-med.yaml??# 數(shù)據(jù)增強(qiáng)中，適用于中型型號(hào)。即v5m

• images? # 存放著官方給的兩張測(cè)試圖片
• scripts? # 存放數(shù)據(jù)集和權(quán)重下載shell腳本
  • download_weights.sh? #?下載權(quán)重文件，包括五種大小的P5版和P6版以及分類器版

  • get_coco.sh?? #?下載coco數(shù)據(jù)集

  • get_coco128.sh? #?下載coco128（只有128張）

• Argoverse.yaml? #?后面的每個(gè).yaml文件都對(duì)應(yīng)一種標(biāo)準(zhǔn)數(shù)據(jù)集格式的數(shù)據(jù)

• coco.yaml ? # COCO數(shù)據(jù)集配置文件
• coco128.yaml ? # COCO128數(shù)據(jù)集配置文件
• voc.yaml ? # VOC數(shù)據(jù)集配置文件

---

?1.4?models文件夾

?

models是模型文件夾。里面主要是一些網(wǎng)絡(luò)構(gòu)建的配置文件和函數(shù)，其中包含了該項(xiàng)目的四個(gè)不同的版本，分別為是s、m、l、x。從名字就可以看出，這幾個(gè)版本的大小。他們的檢測(cè)速度分別都是從快到慢，但是精確度分別是從低到高。如果訓(xùn)練自己的數(shù)據(jù)集的話，就需要修改這里面相對(duì)應(yīng)的yaml文件來(lái)訓(xùn)練自己模型。

詳解：

• hub? # 存放yolov5各版本目標(biāo)檢測(cè)網(wǎng)絡(luò)模型配置文件
  • anchors.yaml? # COCO數(shù)據(jù)的默認(rèn)錨點(diǎn)
  • yolov3-spp.yaml? # 帶spp的yolov3
  • yolov3-tiny.yaml? # 精簡(jiǎn)版yolov3
  • yolov3.yaml? # yolov3
  • yolov5-bifpn.yaml? # 帶二值fpn的yolov5l
  • yolov5-fpn.yaml? # 帶fpn的yolov5
  • yolov5-p2.yaml? # (P2, P3, P4, P5)都輸出，寬深與large版本相同，相當(dāng)于比large版本能檢測(cè)更小物體
  • yolov5-p34.yaml? # 只輸出(P3, P4)，寬深與small版本相同，相當(dāng)于比small版本更專注于檢測(cè)中小物體
  • yolov5-p6.yaml? # (P3, P4, P5, P6)都輸出，寬深與large版本相同，相當(dāng)于比large版本能檢測(cè)更大物體
  • yolov5-p7.yaml? # (P3, P4, P5, P6, P7)都輸出，寬深與large版本相同，相當(dāng)于比large版本能檢測(cè)更更大物體
  • yolov5-panet.yaml? # 帶PANet的yolov5l
  • yolov5n6.yaml? # (P3, P4, P5, P6)都輸出，寬深與nano版本相同，相當(dāng)于比nano版本能檢測(cè)更大物體，anchor已預(yù)定義
  • yolov5s6.yaml? # (P3, P4, P5, P6)都輸出，寬深與small版本相同，相當(dāng)于比small版本能檢測(cè)更大物體，anchor已預(yù)定義
  • yolov5m6.yaml?? # (P3, P4, P5, P6)都輸出，寬深與middle版本相同，相當(dāng)于比middle版本能檢測(cè)更大物體，anchor已預(yù)定義
  • yolov5l6.yaml?? # (P3, P4, P5, P6)都輸出，寬深與large版本相同，相當(dāng)于比large版本能檢測(cè)更大物體，anchor已預(yù)定義，推測(cè)是作者做實(shí)驗(yàn)的產(chǎn)物
  • yolov5x6.yaml?? # (P3, P4, P5, P6)都輸出，寬深與Xlarge版本相同，相當(dāng)于比Xlarge版本能檢測(cè)更大物體，anchor已預(yù)定義
  • yolov5s-ghost.yaml? ?# backbone的卷積換成了GhostNet形式的yolov5s，anchor已預(yù)定義
  • yolov5s-transformer.yaml? # backbone最后的C3卷積添加了Transformer模塊的yolov5s，anchor已預(yù)定義
• _int_.py? ?#?空的
• common.py ? # 放的是一些網(wǎng)絡(luò)結(jié)構(gòu)的定義通用模塊，包括autopad、Conv、DWConv、TransformerLayer等
• experimental.py ? # 實(shí)驗(yàn)性質(zhì)的代碼，包括MixConv2d、跨層權(quán)重Sum等
• tf.py??# tensorflow版的yolov5代碼
• yolo.py? # yolo的特定模塊，包括BaseModel，DetectionModel，ClassificationModel，parse_model等
• yolov5l.yaml ? # yolov5l網(wǎng)絡(luò)模型配置文件，large版本，深度1.0，寬度1.0
• yolov5m.yaml ? # yolov5m網(wǎng)絡(luò)模型配置文件，middle版本，深度0.67，寬度0.75
• yolov5n.yaml ? # yolov5n網(wǎng)絡(luò)模型配置文件，nano版本，深度0.33，寬度0.25
• yolov5s.yaml ? # yolov5s網(wǎng)絡(luò)模型配置文件，small版本，深度0.33，寬度0.50
• yolov5x.yaml ? # yolov5x網(wǎng)絡(luò)模型配置文件，Xlarge版本，深度1.33，寬度1.25

---

1.5?runs文件夾

runs是我們運(yùn)行的時(shí)候的一些輸出文件。每一次運(yùn)行就會(huì)生成一個(gè)exp的文件夾。

?詳解：

• detect? ?# 測(cè)試模型，輸出圖片并在圖片中標(biāo)注出物體和概率
• train? ? # 訓(xùn)練模型，輸出內(nèi)容，模型(最好、最新)權(quán)重、混淆矩陣、F1曲線、超參數(shù)文件、P曲線、R曲線、PR曲線、結(jié)果文件（loss值、P、R）等expn
  ?
  • expn? ?#?第n次實(shí)驗(yàn)數(shù)據(jù)
  • confusion_matrix.png? ?# 混淆矩陣
  • P_curve.png? ?# 準(zhǔn)確率與置信度的關(guān)系圖線
  • R_curve.png? # 精準(zhǔn)率與置信度的關(guān)系圖線
  • PR_curve.png? #??精準(zhǔn)率與召回率的關(guān)系圖線
  • F1_curve.png? ?# F1分?jǐn)?shù)與置信度（x軸）之間的關(guān)系
  • labels_correlogram.jpg? ?#?預(yù)測(cè)標(biāo)簽長(zhǎng)寬和位置分布
  • ?results.png? ?#?各種loss和metrics（p、r、mAP等，詳見(jiàn)utils/metrics）曲線
  • results.csv? # 對(duì)應(yīng)上面png的原始result數(shù)據(jù)
  • hyp.yaml? #? 超參數(shù)記錄文件
  • opt.yaml? # 模型可選項(xiàng)記錄文件
  • train_batchx.jpg? # 訓(xùn)練集圖像x（帶標(biāo)注）
  • val_batchx_labels.jpg? # 驗(yàn)證集圖像x（帶標(biāo)注）
  • val_batchx_pred.jpg? # 驗(yàn)證集圖像x（帶預(yù)測(cè)標(biāo)注）
  • weights? #? 權(quán)重
  • ???????best.pt? # 歷史最好權(quán)重
  • last.pt? ?# 上次檢測(cè)點(diǎn)權(quán)重
  • labels.jpg? #?4張圖， 4張圖，（1，1）表示每個(gè)類別的數(shù)據(jù)量

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1，2）真實(shí)標(biāo)注的 bounding_box

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2，1） 真實(shí)標(biāo)注的中心點(diǎn)坐標(biāo)

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2，2）真實(shí)標(biāo)注的矩陣寬高??????????????

---

1.6?utils文件夾

? ?

?utils工具文件夾。存放的是工具類的函數(shù)，里面有l(wèi)oss函數(shù)，metrics函數(shù)，plots函數(shù)等等。

? ? 詳解：

• aws? ?#? 恢復(fù)中斷訓(xùn)練,和aws平臺(tái)使用相關(guān)的工具
• flask_rest_api? # 和flask 相關(guān)的工具
• google_app_engine? ?# 和谷歌app引擎相關(guān)的工具
• loggers? ? # 日志打印
• _init_.py? ? #?notebook的初始化，檢查系統(tǒng)軟件和硬件
• activations.py? #??激活函數(shù)
• augmentations? # 存放各種圖像增強(qiáng)技術(shù)
• autoanchor.py? ? #? 自動(dòng)生成錨框
• autobatch.py? ?# 自動(dòng)生成批量大小
• benchmarks.py? ?#? 對(duì)模型進(jìn)行性能評(píng)估（推理速度和內(nèi)存占用上的評(píng)估）
• callbacks.py? ?#? 回調(diào)函數(shù)，主要為logger服務(wù)
• datasets? # dateset和dateloader定義代碼
• downloads.py? ?#??谷歌云盤內(nèi)容下載
• general.py? ?# 全項(xiàng)目通用代碼，相關(guān)實(shí)用函數(shù)實(shí)現(xiàn)
• loss.py? ?#? 存放各種損失函數(shù)
• metrics.py? ?# 模型驗(yàn)證指標(biāo)，包括ap，混淆矩陣等
• plots.py? ?#? 繪圖相關(guān)函數(shù)，如繪制loss、ac曲線，還能單獨(dú)將一個(gè)bbox存儲(chǔ)為圖像
• torch_utils.py? ?#?輔助函數(shù)

---

1.7其他一級(jí)目錄文件

?詳解：

• .dockerignore? ?#?docker的ignore文件
• .gitattributes? ?#?用于將.ipynb后綴的文件剔除GitHub語(yǔ)言統(tǒng)計(jì)
• .gitignore? ?#??docker的ignore文件
• CONTRIBUTING.md? # markdown格式說(shuō)明文檔
• detect.py? ?# 目標(biāo)檢測(cè)預(yù)測(cè)腳本
• export.py? #? 模型導(dǎo)出
• hubconf.py? # pytorch hub相關(guān)
• LICENSE? ? # 證書(shū)
• README.md? ? # markdown格式說(shuō)明文檔
• requirements.txt? # 可以通過(guò)pip install requirement進(jìn)行依賴環(huán)境下載
• setup.cfg? #? 項(xiàng)目打包文件
• train.py? ?# 目標(biāo)檢測(cè)訓(xùn)練腳本
• tutorial.ipynb? #? 目標(biāo)檢測(cè)上手教程
• val.py? # 目標(biāo)檢測(cè)驗(yàn)證腳本
• yolov5s.pt? ?#? coco數(shù)據(jù)集模型預(yù)訓(xùn)練權(quán)重，運(yùn)行代碼的時(shí)候會(huì)自動(dòng)從網(wǎng)上下載

---

本文參考：

YOLOV5學(xué)習(xí)筆記（四）——項(xiàng)目目錄及代碼講解

?

YOLOv5-6.2版本代碼Project逐文件詳解