国外优秀设计网站,做博客网站,北京火车站网站建设,东莞建设公司网页前言
在【课程总结】Day11#xff08;下#xff09;#xff1a;YOLO的入门使用一节中#xff0c;我们已经了解YOLO的使用方法#xff0c;使用过程非常简单#xff0c;训练时只需要三行代码#xff1a;引入YOLO#xff0c;构建模型#xff0c;训练模型#xff1b;预测…前言
在【课程总结】Day11下YOLO的入门使用一节中我们已经了解YOLO的使用方法使用过程非常简单训练时只需要三行代码引入YOLO构建模型训练模型预测时也同样简单只需要两行代码引入YOLO预测图像即可。以上过程简单主要是ultralytics的代码库已经做了封装使得使用者集中精力在模型训练和预测上。
为了更加深入了解YOLO的实现原理本章内容将对YOLO的工程结构、模型构建过程、模型训练过程尝试深入探究。
YOLO项目的工程结构
|- ultralytics/|- assets/ # 存放项目中使用的资源文件如图像、样本数据等。|- cfg/ # 存放模型配置文件包括不同模型的配置信息如网络结构、超参数等。|- data/ # 存放数据集文件和数据处理相关的代码。|- engine/ # 存放训练和推理引擎的代码包括训练、测试、评估等功能的实现。|- hub/ # 存放模型库相关的代码和模型文件用于快速调用和使用预训练模型。|- models/ # 存放模型的定义和实现代码包括不同模型的网络结构和相关函数。|- nn/ # 存放神经网络模块的代码包括各种层次的定义和实现。|- solutions/ # 存放解决方案相关的代码和实现用于特定问题或任务的解决方案。|- trackers/ # 存放目标跟踪相关的代码和实现包括目标追踪算法的实现。|- utils/ # 存放通用的工具函数和辅助函数用于项目中的各种功能和任务。进一步查看cfg目录的内容如下
- ultralytics|- cfg|- datasets # 数据集处理和加载相关文件|- default.yaml # 默认配置信息文件|- models # 包含不同模型结构的配置文件|- yolov8-cls-resnet101.yaml # 定义 YOLOv8 模型结构的配置文件ResNet-101 版本|- yolov8-cls-resnet50.yaml # 定义 YOLOv8 模型结构的配置文件ResNet-50 版本|- yolov8-cls.yaml # 定义 YOLOv8 模型结构的配置文件|- ... # 其他 YOLOv8 模型版本的配置文件|- trackers # 目标跟踪相关文件YOLO的yaml文件解析
yaml文件内容
以yolov8.yaml为例其内容如下
nc: 80 # 类别数目nc代表number of classes即模型用于检测的对象类别总数。
scales: # 模型复合缩放常数例如 modelyolov8n.yaml 将调用带有 n 缩放的 yolov8.yaml# [depth, width, max_channels]n: [0.33, 0.25, 1024] # YOLOv8n概览225层, 3157200参数, 3157184梯度, 8.9 GFLOPss: [0.33, 0.50, 1024] # YOLOv8s概览225层, 11166560参数, 11166544梯度, 28.8 GFLOPsm: [0.67, 0.75, 768] # YOLOv8m概览295层, 25902640参数, 25902624梯度, 79.3 GFLOPsl: [1.00, 1.00, 512] # YOLOv8l概览365层, 43691520参数, 43691504梯度, 165.7 GFLOPsx: [1.00, 1.25, 512] # YOLOv8x概览365层, 68229648参数, 68229632梯度, 258.5 GFLOPs# YOLOv8.0n 骨干层
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2 第0层-1代表将上层的输入作为本层的输入。第0层的输入是640*640*3的图像。Conv代表卷积层相应的参数64代表输出通道数3代表卷积核大小k2代表stride步长。- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4 第1层本层和上一层是一样的操作128代表输出通道数3代表卷积核大小k2代表stride步长- [-1, 3, C2f, [128, True]] # 第2层本层是C2f模块3代表本层重复3次。128代表输出通道数True表示Bottleneck有shortcut。- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8 第3层进行卷积操作256代表输出通道数3代表卷积核大小k2代表stride步长输出特征图尺寸为80*80*256卷积的参数都没变所以都是长宽变成原来的1/2和之前一样特征图的长宽已经变成输入图像的1/8。- [-1, 6, C2f, [256, True]] # 第4层本层是C2f模块可以参考第2层的讲解。6代表本层重复6次。256代表输出通道数True表示Bottleneck有shortcut。经过这层之后特征图尺寸依旧是80*80*256。- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16第5层进行卷积操作512代表输出通道数3代表卷积核大小k2代表stride步长输出特征图尺寸为40*40*512卷积的参数都没变所以都是长宽变成原来的1/2和之前一样特征图的长宽已经变成输入图像的1/16。- [-1, 6, C2f, [512, True]] # 第6层本层是C2f模块可以参考第2层的讲解。6代表本层重复6次。512代表输出通道数True表示Bottleneck有shortcut。经过这层之后特征图尺寸依旧是40*40*512。- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32第7层进行卷积操作1024代表输出通道数3代表卷积核大小k2代表stride步长输出特征图尺寸为20*20*1024卷积的参数都没变所以都是长宽变成原来的1/2和之前一样特征图的长宽已经变成输入图像的1/32。- [-1, 3, C2f, [1024, True]] # 第8层本层是C2f模块可以参考第2层的讲解。3代表本层重复3次。1024代表输出通道数True表示Bottleneck有shortcut。经过这层之后特征图尺寸依旧是20*20*1024。- [-1, 1, SPPF, [1024, 5]] # 9 第9层本层是快速空间金字塔池化层SPPF。1024代表输出通道数5代表池化核大小k。结合模块结构图和代码可以看出最后concat得到的特征图尺寸是20*20*512*4经过一次Conv得到20*20*1024。# YOLOv8.0n 头部层
head:- [-1, 1, nn.Upsample, [None, 2, nearest]] # 第10层本层是上采样层。-1代表将上层的输出作为本层的输入。None代表上采样的size输出尺寸不指定。2代表scale_factor2表示输出的尺寸是输入尺寸的2倍。nearest代表使用的上采样算法为最近邻插值算法。经过这层之后特征图的长和宽变成原来的两倍通道数不变所以最终尺寸为40*40*1024。- [[-1, 6], 1, Concat, [1]] # cat backbone P4 第11层本层是concat层[-1, 6]代表将上层和第6层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知上层的输出尺寸是40*40*1024第6层的输出是40*40*512最终本层的输出尺寸为40*40*1536。- [-1, 3, C2f, [512]] # 12 第12层本层是C2f模块可以参考第2层的讲解。3代表本层重复3次。512代表输出通道数。与Backbone中C2f不同的是此处的C2f的bottleneck模块的shortcutFalse。- [-1, 1, nn.Upsample, [None, 2, nearest]] # 第13层本层也是上采样层参考第10层。经过这层之后特征图的长和宽变成原来的两倍通道数不变所以最终尺寸为80*80*512。- [[-1, 4], 1, Concat, [1]] # cat backbone P3 第14层本层是concat层[-1, 4]代表将上层和第4层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知上层的输出尺寸是80*80*512第6层的输出是80*80*256最终本层的输出尺寸为80*80*768。- [-1, 3, C2f, [256]] # 15 (P3/8-small) 第15层本层是C2f模块可以参考第2层的讲解。3代表本层重复3次。256代表输出通道数。经过这层之后特征图尺寸变为80*80*256特征图的长宽已经变成输入图像的1/8。- [-1, 1, Conv, [256, 3, 2]] # 第16层进行卷积操作256代表输出通道数3代表卷积核大小k2代表stride步长输出特征图尺寸为40*40*256卷积的参数都没变所以都是长宽变成原来的1/2和之前一样。- [[-1, 12], 1, Concat, [1]] # cat head P4 第17层本层是concat层[-1, 12]代表将上层和第12层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知上层的输出尺寸是40*40*256第12层的输出是40*40*512最终本层的输出尺寸为40*40*768。- [-1, 3, C2f, [512]] # 18 (P4/16-medium) 第18层本层是C2f模块可以参考第2层的讲解。3代表本层重复3次。512代表输出通道数。经过这层之后特征图尺寸变为40*40*512特征图的长宽已经变成输入图像的1/16。- [-1, 1, Conv, [512, 3, 2]] # 第19层进行卷积操作512代表输出通道数3代表卷积核大小k2代表stride步长输出特征图尺寸为20*20*512卷积的参数都没变所以都是长宽变成原来的1/2和之前一样。- [[-1, 9], 1, Concat, [1]] # cat head P5 第20层本层是concat层[-1, 9]代表将上层和第9层的输出作为本层的输入。[1]代表concat拼接的维度是1。从上面的分析可知上层的输出尺寸是20*20*512第9层的输出是20*20*1024最终本层的输出尺寸为20*20*1536。- [-1, 3, C2f, [1024]] # 21 (P5/32-large) 第21层本层是C2f模块可以参考第2层的讲解。3代表本层重复3次。1024代表输出通道数。经过这层之后特征图尺寸变为20*20*1024特征图的长宽已经变成输入图像的1/32。- [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5) 第20层本层是Detect层[15, 18, 21]代表将第15、18、21层的输出分别是80*80*256、40*40*512、20*20*1024作为本层的输入。nc是数据集的类别数。
yaml文件解析
上述文件包含了 YOLOv8 模型的配置信息其中包括了模型的类别数目、模型复合缩放常数、主干网络结构和头部网络结构。具体来说
nc 表示模型的类别数目为 1000。scales 包含了不同缩放常数对应的模型结构参数。 子参数n, s, m, l, x表示不同的模型尺寸每个尺寸都有对应的depth深度、width宽度和max_channels最大通道数。depth 表示深度因子用来控制一些特定模块的数量的模块数量多网络深度就深width 表示宽度因子用来控制整个网络结构的通道数量通道数量越多网络就看上去更胖更宽max_channels 最大通道数为了动态地调整网络的复杂性。在 YOLO 的早期版本中网络中的每个层都是固定的这意味着每个层的通道数也是固定的。但在 YOLOv8 中为了增加网络的灵活性并使其能够更好地适应不同的任务和数据集引入了 max_channels 参数。 backbone 定义了 YOLOv8.0n 模型的主干网络结构包括了卷积层、C2f 模块等。 from(来自) 这个字段表示当前层连接到的上一层的索引。通常-1 表示连接到上一层0 表示连接到输入数据。例如[-1, 1, Conv, [64, 3, 2]] 表示当前层连接到上一层即前一层的输出作为当前层的输入。 repeats(重复次数) 这个字段表示当前层的模块module被重复使用的次数。例如[-1, 3, C2f, [128, True]] 表示当前层的模块 C2f 会被重复使用 3 次。 module(模块) 这个字段表示当前层使用的模块类型如 Conv卷积层、C2f 等。例如[-1, 1, Conv, [64, 3, 2]] 中的 Conv 表示当前层使用的是卷积层。 args(参数) 这个字段包含了当前层模块的参数例如卷积层的通道数、卷积核大小、步长等。例如[-1, 1, Conv, [64, 3, 2]] 中的 [64, 3, 2] 表示卷积层的通道数为 64卷积核大小为 3步长为 2。
YOLOv8 模型结构
上述yaml定义的模型结构使用图示显示如下 主要组成部分
Backbone主干网络 主干网络是模型的基础负责从输入图像中提取特征。这些特征是后续网络层进行目标检测的基础。Head头部网络 头部网络是目标检测模型的决策部分负责产生最终的检测结果。ConvModule 包含卷积层、BN批量归一化和激活函数如SiLU用于提取特征。DarknetBottleneck 通过residual connections残差结构增加网络深度同时保持效率。CSP Layer CSP结构的变体通过部分连接来提高模型的训练效率。Concat 特征图拼接用于合并不同层的特征。Upsample 上采样操作增加特征图的空间分辨率。主要过程为 1.多层卷积图片输入到主干网络经过P1-P5层卷积后在第9层通过SPPF模块进行特征提取。 2.上采样和连接经过SPPF后进行Upsample上采样操作然后与第6层进行concat操作再进行C2f模块特征提取。 类似的:
在14层与第4层进行concat操作再进行C2f模块特征提取在20层与第9层进行concat操作再进行C2f模块特征提取。
3.目标检测最后将15层、18层、21层分别经过Detect模块进行目标检测。
YOLO的模型构建过程解析
代码调用时序 构建模型的核心代码
通过查看上述YOLO构建模型过程其核心代码主要是以下两处 核心代码1self._smart_load() def _new(self, cfg: str, taskNone, modelNone, verboseFalse) - None:# 以上部分省略...self.model (model or self._smart_load(model))(cfg_dict, verboseverbose and RANK -1) # 核心代码self.overrides[model] self.cfgself.overrides[task] self.taskself.model.args {**DEFAULT_CFG_DICT, **self.overrides} # 核心代码# 以下部分省略...代码解析 self.model (model or self._smart_load(model))(cfg_dict, verboseverbose and RANK -1)
特性使用 Python 的条件表达式选择不同的函数或对象进行赋值解释说明 model or self._smart_load(model) 是一个条件表达式它会根据 model 变量是否为真值来选择赋值的对象。如果 model 为真值非空则 self.model 将被赋值为 model。如果 model 为假值空则会调用 self._smart_load(model) 方法来加载模型并将返回的对象赋值给 self.model。然后与第二个括号(cfg_dict, verboseverbose and RANK -1) 拼接形成self.model(cfg_dict, verboseverbose and RANK -1)
self.model.args {**DEFAULT_CFG_DICT, **self.overrides}
特性使用 Python 中的字典合并操作符 ** 来将两个字典合并。解释说明 DEFAULT_CFG_DICT 和 self.overrides 是两个字典。**DEFAULT_CFG_DICT 将 DEFAULT_CFG_DICT 字典中的所有键值对解包并添加到新的字典中。**self.overrides 同样将 self.overrides 字典中的所有键值对解包并添加到同一个新的字典中。最终{\*\*DEFAULT_CFG_DICT, \*\*self.overrides} 表示将这两个字典合并成一个新的字典其中 self.overrides中的键值对将覆盖 DEFAULT_CFG_DICT 中的同名键值对。 举例
dict1 {a: 1, b: 2}
dict2 {b: 3, c: 4}
merged_dict {**dict1, **dict2}
print(merged_dict)
# 运行结果
# {a: 1, b: 3, c: 4}核心代码2self.task_map[self.task][key]
def task_map(self):Map head to model, trainer, validator, and predictor classes.return {classify: {model: ClassificationModel,trainer: yolo.classify.ClassificationTrainer,validator: yolo.classify.ClassificationValidator,predictor: yolo.classify.ClassificationPredictor,},detect: {model: DetectionModel,trainer: yolo.detect.DetectionTrainer,validator: yolo.detect.DetectionValidator,predictor: yolo.detect.DetectionPredictor,},# 以下部分省略...}代码解析
以上代码根据传入的self.task类型(例如classify)来创建对应的模型、训练器、验证器、预测器类。特性使用了 Python 中的字典将字符串键与类对象值进行关联以实现将类对象映射到不同的功能模块字典与类对象映射的举例
class Dog:def __init__(self, name):self.name name
class Cat:def __init__(self, name):self.name name
# 创建一个字典将字符串键映射到不同的类对象
animal_map {dog: Dog,cat: Cat,
}
# 根据键来实例化不同的类对象
my_dog animal_map[dog](Buddy)
my_cat animaljson_map[cat](Whiskers)
print(my_dog.name) # 输出: Buddy
print(my_cat.name) # 输出: Whiskers
核心代码3parse_model()函数
def parse_model(d, ch, verboseTrue): # model_dict, input_channels(3)Parse a YOLO model.yaml dictionary into a PyTorch model.import ast# Argsmax_channels float(inf)nc, act, scales (d.get(x) for x in (nc, activation, scales))depth, width, kpt_shape (d.get(x, 1.0) for x in (depth_multiple, width_multiple, kpt_shape))if scales:scale d.get(scale)if not scale:scale tuple(scales.keys())[0]LOGGER.warning(fWARNING ⚠️ no model scale passed. Assuming scale{scale}.)depth, width, max_channels scales[scale]if act:Conv.default_act eval(act) # redefine default activation, i.e. Conv.default_act nn.SiLU()if verbose:LOGGER.info(f{colorstr(activation:)} {act}) # printch [ch]layers, save, c2 [], [], ch[-1] # layers, savelist, ch outfor i, (f, n, m, args) in enumerate(d[backbone] d[head]): # from, number, module, argsm getattr(torch.nn, m[3:]) if nn. in m else globals()[m] # get modulefor j, a in enumerate(args):if isinstance(a, str):with contextlib.suppress(ValueError):args[j] locals()[a] if a in locals() else ast.literal_eval(a)n n_ max(round(n * depth), 1) if n 1 else n # depth gainif m in {Classify,Conv,ConvTranspose,GhostConv,Bottleneck,GhostBottleneck,SPP,SPPF,DWConv,Focus,BottleneckCSP,C1,C2,C2f,RepNCSPELAN4,ELAN1,ADown,AConv,SPPELAN,C2fAttn,C3,C3TR,C3Ghost,nn.ConvTranspose2d,DWConvTranspose2d,C3x,RepC3,PSA,SCDown,C2fCIB,}:c1, c2 ch[f], args[0]if c2 ! nc: # if c2 not equal to number of classes (i.e. for Classify() output)c2 make_divisible(min(c2, max_channels) * width, 8)if m is C2fAttn:args[1] make_divisible(min(args[1], max_channels // 2) * width, 8) # embed channelsargs[2] int(max(round(min(args[2], max_channels // 2 // 32)) * width, 1) if args[2] 1 else args[2]) # num headsargs [c1, c2, *args[1:]]# ...((篇幅原因代码已做省略))m_ nn.Sequential(*(m(*args) for _ in range(n))) if n 1 else m(*args) # modulet str(m)[8:-2].replace(__main__., ) # module typem.np sum(x.numel() for x in m_.parameters()) # number paramsm_.i, m_.f, m_.type i, f, t # attach index, from index, typeif verbose:LOGGER.info(f{i:3}{str(f):20}{n_:3}{m.np:10.0f} {t:45}{str(args):30}) # printsave.extend(x % i for x in ([f] if isinstance(f, int) else f) if x ! -1) # append to savelistlayers.append(m_)if i 0:ch []ch.append(c2)return nn.Sequential(*layers), sorted(save)代码解析
参数设置 以上代码定义了一些初始参数如 max_channels、nc类别数、act激活函数类型、scales模型尺度、depth深度倍数、width宽度倍数等。根据配置文件中的 scales 参数设置模型的深度、宽度和最大通道数。 激活函数设置 如果配置文件中指定了激活函数类型 act则重新定义默认激活函数为指定的激活函数如 nn.SiLU()。 模型解析 遍历配置文件中的 backbone 和 head 部分解析每个层的信息。根据模块类型 m如 Conv、Bottleneck 等选择相应的处理逻辑设置输入通道 c1、输出通道 c2 以及其他参数。 创建模块 根据解析得到的参数和模块类型通过nn.Sequential(*layers)创建相应的层最终返回解析后的模型。
YOLO的模型训练过程解析
代码调用时序 构建模型的核心代码
核心代码1ClassificationDataset数据集
def __init__(self, root, args, augmentFalse, prefix):# 以上内容省略self.torch_transforms (classify_augmentations(sizeargs.imgsz,scalescale,hflipargs.fliplr,vflipargs.flipud,erasingargs.erasing,auto_augmentargs.auto_augment,hsv_hargs.hsv_h,hsv_sargs.hsv_s,hsv_vargs.hsv_v,)if augmentelse classify_transforms(sizeargs.imgsz, crop_fractionargs.crop_fraction))代码解析
以上代码是ClassificationDataset数据集的初始化函数self.torch_transforms … 根据条件选择不同的数据增强方法如果 augment 为 True则调用 classify_augmentations() 方法进行数据增强。否则调用 classify_transforms() 方法进行数据转换。 除此之外该数据集按照标准规范实现了__getitem__(),len()等回调函数。
核心代码2筹备训练 def _setup_train(self, world_size):Builds dataloaders and optimizer on correct rank process.# Modelself.run_callbacks(on_pretrain_routine_start)ckpt self.setup_model()self.model self.model.to(self.device)self.set_model_attributes()# Freeze layers# 篇幅原因代码已省略# Check AMP# 篇幅原因代码已省略# Check imgszgs max(int(self.model.stride.max() if hasattr(self.model, stride) else 32), 32) # grid size (max stride)self.args.imgsz check_imgsz(self.args.imgsz, stridegs, floorgs, max_dim1)self.stride gs # for multiscale training# Batch size# 篇幅原因代码已省略# Dataloadersbatch_size self.batch_size // max(world_size, 1)self.train_loader self.get_dataloader(self.trainset, batch_sizebatch_size, rankRANK, modetrain)# 代码已省略# Optimizerself.accumulate max(round(self.args.nbs / self.batch_size), 1) # accumulate loss before optimizingweight_decay self.args.weight_decay * self.batch_size * self.accumulate / self.args.nbs # scale weight_decayiterations math.ceil(len(self.train_loader.dataset) / max(self.batch_size, self.args.nbs)) * self.epochsself.optimizer self.build_optimizer(modelself.model,nameself.args.optimizer,lrself.args.lr0,momentumself.args.momentum,decayweight_decay,iterationsiterations,)# Scheduler# 篇幅原因代码已省略核心代码3开始训练
def _do_train(self, world_size1):Train completed, evaluate and plot if specified by arguments.if world_size 1:self._setup_ddp(world_size)self._setup_train(world_size)nb len(self.train_loader) # number of batchesnw max(round(self.args.warmup_epochs * nb), 100) if self.args.warmup_epochs 0 else -1 # warmup iterationslast_opt_step -1self.epoch_time Noneself.epoch_time_start time.time()self.train_time_start time.time()# 篇幅原因代码已省略epoch self.start_epochself.optimizer.zero_grad() # zero any resumed gradients to ensure stability on train startwhile True:self.epoch epochself.run_callbacks(on_train_epoch_start)# 篇幅原因代码已省略self.model.train()if RANK ! -1:self.train_loader.sampler.set_epoch(epoch)pbar enumerate(self.train_loader)# Update dataloader attributes (optional)if epoch (self.epochs - self.args.close_mosaic):self._close_dataloader_mosaic()self.train_loader.reset()# 篇幅原因代码已省略self.tloss Nonefor i, batch in pbar:self.run_callbacks(on_train_batch_start)# Warmup# 篇幅原因代码已省略# Forward 正向传播with torch.cuda.amp.autocast(self.amp):batch self.preprocess_batch(batch)self.loss, self.loss_items self.model(batch) # 损失计算if RANK ! -1:self.loss * world_sizeself.tloss ((self.tloss * i self.loss_items) / (i 1) if self.tloss is not None else self.loss_items)# Backward 反向传播self.scaler.scale(self.loss).backward()# Optimize 优化一步if ni - last_opt_step self.accumulate:self.optimizer_step()last_opt_step ni# Timed stopping# 篇幅原因代码已省略# Logmem f{torch.cuda.memory_reserved() / 1E9 if torch.cuda.is_available() else 0:.3g}G # (GB)loss_len self.tloss.shape[0] if len(self.tloss.shape) else 1losses self.tloss if loss_len 1 else torch.unsqueeze(self.tloss, 0)# 篇幅原因代码已省略self.lr {flr/pg{ir}: x[lr] for ir, x in enumerate(self.optimizer.param_groups)} # for loggersself.run_callbacks(on_train_epoch_end)if RANK in {-1, 0}:final_epoch epoch 1 self.epochsself.ema.update_attr(self.model, include[yaml, nc, args, names, stride, class_weights])# Validation# 篇幅原因代码已省略# Save model 保存模型if self.args.save or final_epoch:self.save_model()self.run_callbacks(on_model_save)# Scheduler# 篇幅原因代码已省略# Early Stoppingif RANK ! -1: # if DDP trainingbroadcast_list [self.stop if RANK 0 else None]dist.broadcast_object_list(broadcast_list, 0) # broadcast stop to all ranksself.stop broadcast_list[0]if self.stop:break # must break all DDP ranksepoch 1# 篇幅原因代码已省略代码解析 在_do_train函数中可以看到深度学习基本的步骤即
正向传播损失计算反向传播优化一步清空梯度保存模型 备注清空梯度封装在optimizer_step函数中了。 内容小结
YOLOv8的网络结构 主要有主干网络和Head网络组成主干网络中进行P1-P5层卷积经过SPPF后进行Upsample上采样操作后与P3、P4、P5进行concat操作最后通过15层、18层、21层分别经过Detect模块进行目标检测。 YOLOv8的代码解析 构建模型的核心函数是self._smart_load()、self.task_map[self.task][key]和parse_model函数self.task_map使用了字符串键与类对象值进行关联由此达到根据关键字选择对应的模型类parse_model函数中通过读取参数、设置激活函数后使用nn.Sequential创建对应的模型训练模型的核心函数为ClassificationDataset的封装、_setup_train()函数和_do_train()函数_do_train()函数中包含深度学习的基本步骤即正向传播→损失计算→反向传播→优化一步→清空梯度→保存模型
参考资料
B站YoloV8Ultralytics模型结构详细讲解
YOLOv8模型yaml结构图理解逐层分析
