如今yolov5的neck用的都是PANet,在efficient文章中给出了BiFPN结构,也有更为很不错的特性,接下来本文关键为大家介绍了对于如何将yolov5里的PANet层改成BiFPN的资料,需用的小伙伴可以借鉴一下
一、Add
1.在common.py后放入如下所示编码 #融合BiFPN设定可学习培训主要参数学习培训不一样支系的权重值 #2个支系add实际操作 classBiFPN_Add2(nn.Module): def__init__(self,c1,c2): super(BiFPN_Add2,self).__init__() #设定可学习培训主要参数nn.Parameter的的作用是:把一个不能锻炼的种类Tensor转化成能够锻炼的种类parameter #而且会往寄主实体模型申请注册该主要参数作为其部分即model.parameters()会含有这个parameter #进而在参数优化的时候也可以全自动一块儿提升 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() def forward(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])) #三个分支add操作 class BiFPN_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() def forward(self,x): w=self.w weight=w/(torch.sum(w,dim=0)+self.epsilon)#将权重进行归一化 #Fast normalized fusion return self.conv(self.silu(weight[0]*x[0]+weight[1]*x[1]+weight[2]*x[2]))
2.yolov5s.yaml进行修改
#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 v6.0 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(P3/8-small) [-1,1,Conv,[512,3,2]],#为了BiFPN正确add,调整channel数 [[-1,13,6],1,BiFPN_Add3,[256,256]],#cat P4<---BiFPN change注意v5s通道数是默认参数的一半 [-1,3,C3,[512,False]],#20(P4/16-medium) [-1,1,Conv,[512,3,2]], [[-1,10],1,BiFPN_Add2,[256,256]],#cat head P5 [-1,3,C3,[1024,False]],#23(P5/32-large) [[17,20,23],1,Detect,[nc,anchors]],#Detect(P3,P4,P5) ]
3.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:
#添加bifpn_add结构 elif m in[BiFPN_Add2,BiFPN_Add3]: c2=max([ch[x]for x in f])
4.修改train.py,向优化器中添加BiFPN的权重参数
将BiFPN_Add2和BiFPN_Add3函数中定义的w参数,加入g1
#BiFPN_Concat elif isinstance(v,BiFPN_Add2)and hasattr(v,'w')and isinstance(v.w,nn.Parameter): g1.append(v.w) elif isinstance(v,BiFPN_Add3)and hasattr(v,'w')and isinstance(v.w,nn.Parameter): g1.append(v.w)
然后导入一下这两个包
二、Concat
1.在common.py后加入如下代码
#结合BiFPN设置可学习参数学习不同分支的权重 #两个分支concat操作 class BiFPN_Concat2(nn.Module): def __init__(self,dimension=1): super(BiFPN_Concat2,self).__init__() self.d=dimension self.w=nn.Parameter(torch.ones(2,dtype=torch.float32),requires_grad=True) self.epsilon=0.0001 def forward(self,x): w=self.w weight=w/(torch.sum(w,dim=0)+self.epsilon)#将权重进行归一化 #Fast normalized fusion x=[weight[0]*x[0],weight[1]*x[1]] return torch.cat(x,self.d) #三个分支concat操作 class BiFPN_Concat3(nn.Module): def __init__(self,dimension=1): super(BiFPN_Concat3,self).__init__() self.d=dimension #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(3,dtype=torch.float32),requires_grad=True) self.epsilon=0.0001 def forward(self,x): w=self.w weight=w/(torch.sum(w,dim=0)+self.epsilon)#将权重进行归一化 #Fast normalized fusion x=[weight[0]*x[0],weight[1]*x[1],weight[2]*x[2]] return torch.cat(x,self.d)
2.yolov5s.yaml进行修改
#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 v6.0 BiFPN head head: [[-1,1,Conv,[512,1,1]], [-1,1,nn.Upsample,[None,2,'nearest']], [[-1,6],1,BiFPN_Concat2,[1]],#cat backbone P4<---BiFPN change [-1,3,C3,[512,False]],#13 [-1,1,Conv,[256,1,1]], [-1,1,nn.Upsample,[None,2,'nearest']], [[-1,4],1,BiFPN_Concat2,[1]],#cat backbone P3<---BiFPN change [-1,3,C3,[256,False]],#17(P3/8-small) [-1,1,Conv,[256,3,2]], [[-1,14,6],1,BiFPN_Concat3,[1]],#cat P4<---BiFPN change [-1,3,C3,[512,False]],#20(P4/16-medium) [-1,1,Conv,[512,3,2]], [[-1,10],1,BiFPN_Concat2,[1]],#cat head P5<---BiFPN change [-1,3,C3,[1024,False]],#23(P5/32-large) [[17,20,23],1,Detect,[nc,anchors]],#Detect(P3,P4,P5) ]
3.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_Concat相关语句:
#添加bifpn_concat结构 elif m in[Concat,BiFPN_Concat2,BiFPN_Concat3]: c2=sum(ch[x]for x in f) 4.修改train.py,向优化器中添加BiFPN的权重参数 添加复方式同上(Add) #BiFPN_Concat elif isinstance(v,BiFPN_Concat2)and hasattr(v,'w')and isinstance(v.w,nn.Parameter): g1.append(v.w) elif isinstance(v,BiFPN_Concat3)and hasattr(v,'w')and isinstance(v.w,nn.Parameter): g1.append(v.w)
综上所述,这篇文章就给大家介绍到这里了,希望可以给大家带来帮助。
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/129041.html
如今yolov5的neck用的都是PANet,在efficient文章中给出了BiFPN结构,也有更为很不错的特性,接下来本文关键为大家介绍了对于如何将yolov5里的PANet层改成BiFPN的资料,必须的小伙伴可以借鉴一下 一、Add 1.在common.py后放入如下所示编码 #融合BiFPN设定可学习培训主要参数学习培训差异支系的权重值 #2个支系add实际操作 clas...
注意力机制最开始被用于NLP行业,Attention就是为了给实体模型意识到信息中哪一块是最关键的,给它分派更多的权重值,获得更多集中注意力在某些特点上,让实体模型主要表现更强,文中关键为大家介绍了有关YOLOv5改善实例教程之加上注意力机制的资料,必须的小伙伴可以借鉴一下 文中关键为大家讲解一下下,怎样在yolov5中加入注意力机制, 这儿给予SE通道专注力的改进方案,别的专注力的加上方...
阅读 912·2023-01-14 11:38
阅读 879·2023-01-14 11:04
阅读 742·2023-01-14 10:48
阅读 1993·2023-01-14 10:34
阅读 943·2023-01-14 10:24
阅读 823·2023-01-14 10:18
阅读 500·2023-01-14 10:09
阅读 573·2023-01-14 10:02