专栏介绍:YOLOv9改进系列 | 包含深度学习最新创新,助力高效涨点!!!
1. 文件说明
在YOLOv5-v9,模型的结构是以yaml文件的存储。我们可以在原有的yaml基础上增、减、改模块,创作我们自己的模型。
YOLO系列 “.yaml“文件解读
2. 改进示例
以下分别以ACmix与C2f-SCConv为例,演示如何加入到YOLOv9-c.yaml文件中。
2.1 加入ACmix
2.1.1创建yaml文件
首先复制一个yolov9-c.yaml文件,重命名为yolov9-ACmix-SCConv.yaml(其他命名也可)
2.1.2 加入模块
在想加入ACmix模块的位置,按照使用说明的格式(或查看ACmix模块所需的初始化参数)插入模块。这里以在“#9”层后加入为例:
2.1.3 函数说明
使用说明中的格式与ACmix的“init”函数。
2.1 加入C2f-SCConv
查看C2f-SCConv的使用说明,需要填入的参数为c2,即输出通道数,其他括号中的参数可不填。
# YOLOv9# parameters
nc: 80 # number of classes
depth_multiple: 1.0 # model depth multiple
width_multiple: 1.0 # layer channel multiple
#activation: nn.LeakyReLU(0.1)
#activation: nn.ReLU()# anchors
anchors: 3# YOLOv9 backbone
backbone:[[-1, 1, Silence, []], # conv down[-1, 1, Conv, [64, 3, 2]], # 1-P1/2# conv down[-1, 1, Conv, [128, 3, 2]], # 2-P2/4# elan-1 block[-1, 1, RepNCSPELAN4, [256, 128, 64, 1]], # 3# avg-conv down[-1, 1, ADown, [256]], # 4-P3/8# elan-2 block[-1, 1, RepNCSPELAN4, [512, 256, 128, 1]], # 5[-1, 1, C2fSCConv, [512]], # 6# avg-conv down[-1, 1, ADown, [512]], # 7-P4/16# elan-2 block[-1, 1, RepNCSPELAN4, [512, 512, 256, 1]], # 8# avg-conv down[-1, 1, ADown, [512]], # 9-P5/32# elan-2 block[-1, 1, RepNCSPELAN4, [512, 512, 256, 1]], # 10[-1, 1, ACmix, [7]], # 11]# YOLOv9 head
head:[# elan-spp block[-1, 1, SPPELAN, [512, 256]], # 12# up-concat merge[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 8], 1, Concat, [1]], # cat backbone P4# elan-2 block[-1, 1, RepNCSPELAN4, [512, 512, 256, 1]], # 15# up-concat merge[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]], # cat backbone P3# elan-2 block[-1, 1, RepNCSPELAN4, [256, 256, 128, 1]], # 18 (P3/8-small)# avg-conv-down merge[-1, 1, ADown, [256]],[[-1, 15], 1, Concat, [1]], # cat head P4# elan-2 block[-1, 1, RepNCSPELAN4, [512, 512, 256, 1]], # 21 (P4/16-medium)# avg-conv-down merge[-1, 1, ADown, [512]],[[-1, 12], 1, Concat, [1]], # cat head P5# elan-2 block[-1, 1, RepNCSPELAN4, [512, 512, 256, 1]], # 24 (P5/32-large)# multi-level reversible auxiliary branch# routing[6, 1, CBLinear, [[256]]], # 25[8, 1, CBLinear, [[256, 512]]], # 26[11, 1, CBLinear, [[256, 512, 512]]], # 27# conv down[0, 1, Conv, [64, 3, 2]], # 28-P1/2# conv down[-1, 1, Conv, [128, 3, 2]], # 29-P2/4# elan-1 block[-1, 1, RepNCSPELAN4, [256, 128, 64, 1]], # 30# avg-conv down fuse[-1, 1, ADown, [256]], # 31-P3/8[[25, 26, 27, -1], 1, CBFuse, [[0, 0, 0]]], # 32# elan-2 block[-1, 1, RepNCSPELAN4, [512, 256, 128, 1]], # 33# avg-conv down fuse[-1, 1, ADown, [512]], # 34-P4/16[[26, 27, -1], 1, CBFuse, [[1, 1]]], # 35# elan-2 block[-1, 1, RepNCSPELAN4, [512, 512, 256, 1]], # 36# avg-conv down fuse[-1, 1, ADown, [512]], # 37-P5/32[[27, -1], 1, CBFuse, [[2]]], # 38# elan-2 block[-1, 1, RepNCSPELAN4, [512, 512, 256, 1]], # 39# detection head# detect[[33, 36, 39, 18, 21, 24], 1, DualDDetect, [nc]], # DualDDetect(A3, A4, A5, P3, P4, P5)]
3 运行查看结果
欢迎关注!