Yolov5如何更换BiFPN?

文章目录

Yolov5如何更换BiFPN?

第一步：修改common.py

将如下代码添加到

common.py

文件中

# BiFPN # 两个特征图add操作classBiFPN_Add2(nn.Module):def__init__(self, c1, c2):super(BiFPN_Add2, self).__init__()# 设置可学习参数 nn.Parameter的作用是：将一个不可训练的类型Tensor转换成可以训练的类型parameter# 并且会向宿主模型注册该参数 成为其一部分 即model.parameters()会包含这个parameter# 从而在参数优化的时候可以自动一起优化
        self.w = nn.Parameter(torch.ones(2, dtype=torch.float32), requires_grad=True)
        self.epsilon =0.0001
        self.conv = nn.Conv2d(c1, c2, kernel_size=1, stride=1, padding=0)
        self.silu = nn.SiLU()defforward(self, x):
        w = self.w
        weight = w /(torch.sum(w, dim=0)+ self.epsilon)return self.conv(self.silu(weight[0]* x[0]+ weight[1]* x[1]))# 三个特征图add操作classBiFPN_Add3(nn.Module):def__init__(self, c1, c2):super(BiFPN_Add3, self).__init__()
        self.w = nn.Parameter(torch.ones(3, dtype=torch.float32), requires_grad=True)
        self.epsilon =0.0001
        self.conv = nn.Conv2d(c1, c2, kernel_size=1, stride=1, padding=0)
        self.silu = nn.SiLU()defforward(self, x):
        w = self.w
        weight = w /(torch.sum(w, dim=0)+ self.epsilon)# Fast normalized fusionreturn self.conv(self.silu(weight[0]* x[0]+ weight[1]* x[1]+ weight[2]* x[2]))

第二步：修改yolo.py

在

parse_model

函数中找到

elif m is Concat:

语句，在其后面加上

BiFPN_Add

相关语句

elif m is Concat:
    c2 =sum(ch[x]for x in f)# 添加bifpn_add结构elif m in[BiFPN_Add2, BiFPN_Add3]:
    c2 =max([ch[x]for x in f])

第三步：修改train.py

• 将BiFPN_Add2和BiFPN_Add3函数中定义的w参数，加入g1

g =[],[],[]# optimizer parameter groups
    bn =tuple(v for k, v in nn.__dict__.items()if'Norm'in k)# normalization layers, i.e. BatchNorm2d()for v in model.modules():# hasattr: 测试指定的对象是否具有给定的属性，返回一个布尔值ifhasattr(v,'bias')andisinstance(v.bias, nn.Parameter):# bias
            g[2].append(v.bias)ifisinstance(v, bn):# weight (no decay)
            g[1].append(v.weight)elifhasattr(v,'weight')andisinstance(v.weight, nn.Parameter):# weight (with decay)
            g[0].append(v.weight)# BiFPN_Concatelifisinstance(v, BiFPN_Add2)andhasattr(v,'w')andisinstance(v.w, nn.Parameter):
            g[1].append(v.w)elifisinstance(v, BiFPN_Add3)andhasattr(v,'w')andisinstance(v.w, nn.Parameter):
            g[1].append(v.w)

• 导入BiFPN_Add3, BiFPN_Add2

from models.common import BiFPN_Add3, BiFPN_Add2

第四步：修改yolov5.yaml

将

Concat

全部换成

BiFPN_Add

# YOLOv5 🚀 by Ultralytics, GPL-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, C3,[256]],[-1,1, Conv,[512,3,2]],# 5-P4/16[-1,9, C3,[512]],[-1,1, Conv,[1024,3,2]],# 7-P5/32[-1,3, C3,[1024]],[-1,1, SPPF,[1024,5]],# 9]# YOLOv5 v6.1 BiFPN head
head:[[-1,1, Conv,[512,1,1]],[-1,1, nn.Upsample,[None,2,'nearest']],[[-1,6],1, BiFPN_Add2,[256,256]],# cat backbone P4[-1,3, C3,[512,False]],# 13[-1,1, Conv,[256,1,1]],[-1,1, nn.Upsample,[None,2,'nearest']],[[-1,4],1, BiFPN_Add2,[128,128]],# cat backbone P3[-1,3, C3,[256,False]],# 17 [-1,1, Conv,[512,3,2]],[[-1,13,6],1, BiFPN_Add3,[256,256]],#v5s通道数是默认参数的一半[-1,3, C3,[512,False]],# 20 [-1,1, Conv,[512,3,2]],[[-1,10],1, BiFPN_Add2,[256,256]],# cat head P5[-1,3, C3,[1024,False]],# 23 [[17,20,23],1, Detect,[nc, anchors]],# Detect(P3, P4, P5)]

注意：BiFPN_Add本质是add操作，因此输入层通道数、feature map要完全对应

内容导航

本人更多Yolov5(v6.1)实战内容导航🍀

1.手把手带你调参Yolo v5 (v6.1)（一）

2.手把手带你调参Yolo v5 (v6.1)（二）

3.手把手带你Yolov5 (v6.1)添加注意力机制(一)（并附上30多种顶会Attention原理图）

4.手把手带你Yolov5 (v6.1)添加注意力机制(二)（在C3模块中加入注意力机制）

5.Yolov5如何更换激活函数？

6.如何快速使用自己的数据集训练Yolov5模型

7.Yolo v5 (v6.1)数据增强方式解析

8.Yolov5如何更换EIOU/alpha IOU？