一、站在巨人的肩膀上

这里我们借鉴YOLOv8源码：

上期说到，对于网络模块定义详情在common.py这个文件，如Conv、CrossConv、C3f等。本期要修改的需要参考YOLOv8里的C2f模块，它定义在YOLOv8的module文件夹的block.py文件里（与common.py一样），源码链接如下：

YOLOv8源码https://github.com/ultralytics/ultralytics下载Code下的压缩包即可：

需要的文件路径如下（可能该源码更新了，位置和博主讲的还不太一样）：

C2f模块大概在第200行左右，如下就是我们后面修改要借鉴的：

class C2f(nn.Module):"""Faster Implementation of CSP Bottleneck with 2 convolutions."""def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5):"""Initialize CSP bottleneck layer with two convolutions with arguments ch_in, ch_out, number, shortcut, groups,expansion."""super().__init__()self.c = int(c2 * e)  # hidden channelsself.cv1 = Conv(c1, 2 * self.c, 1, 1)self.cv2 = Conv((2 + n) * self.c, c2, 1)  # optional act=FReLU(c2)self.m = nn.ModuleList(Bottleneck(self.c, self.c, shortcut, g, k=((3, 3), (3, 3)), e=1.0) for _ in range(n))def forward(self, x):"""Forward pass through C2f layer."""y = list(self.cv1(x).chunk(2, 1))y.extend(m(y[-1]) for m in self.m)return self.cv2(torch.cat(y, 1))def forward_split(self, x):"""Forward pass using split() instead of chunk()."""y = list(self.cv1(x).split((self.c, self.c), 1))y.extend(m(y[-1]) for m in self.m)return self.cv2(torch.cat(y, 1))

---

二、开始修改网络结构

• model/common.py加入新增的C2f模块，直接复制粘贴如下：

这段代码里面的第167行处的Bottleneck类是YOLOv8独属定义的，需要也把它的定义复制过来：

但是由于原本common.py里也有该类，为了避免名字冲突Bottleneck加上前缀C2f变为C2fBottleneck：

---

• model/yolo.py设定网络结构的传参细节

传参细节可以参照原本存在的C3模块的属性，只要传C3x模块的地方加上C2f即可，找到yolo.py里的parse_model函数，如下在319行和325行的C3x后加入了C2f：

---

• model/yolov5s.yaml设定现有模型结构配置文件

需要把代码中的C3模块都替换为C2f（backbone一定要改，head里可改可不改），这里改动较多，我们可以保留yolov5s.yaml原文件，复制一份命名为yolov5s-c2f.yaml：

• train.py训练时指定模型结构配置文件

下面是原始的parse_opt函数（部分）：

需要将第二个cfg参数（模型结构配置文件指定参数），修改我们新的yaml文件路径：

博主也解释了这里即使更改了cfg配置文件，上面的预训练的权重weights还是可以用原本的初始权重yolov5.pt文件的！！！！

这里的第三个参数data可见还是前几期博客试验的《名侦探柯南》人物的识别mingke.yaml文件！

---

• 开启训练，可见训练时从common.py文件加载的模块不再有C3，而是换成了C2f模块：

也可见从预训练权重文件yolov5s.pt中加载项时没全加载，325项中加载了271项，说明可以迁移一部分（借鉴）原本的权重文件，若不指定完全从头开始训练效果可能不那么好：

也可自行观察训练时更多的有趣点，比如前几次跌代（epoch）的mAP指标都是0，是因为加入刚来的C2f模块后模型与随机初始化的权重很多对不上，经过一段时间的迭代学习后就可发现mAP值逐渐出现数值！！

100次迭代后结果如下，结果保存在runs\train\exp10文件夹：

下面是原始网络结构的训练结果，这里可见替换C2f模块后，训练指标没有增加反而减小，说明不是修改了就一定会有提高，还需要多方考虑，适合才是最好——这就是”炼丹“！！

---

往期精彩

STM32专栏（9.9）http://t.csdnimg.cn/A3BJ2

OpenCV-Python专栏（9.9）http://t.csdnimg.cn/jFJWe

AI底层逻辑专栏（9.9）http://t.csdnimg.cn/6BVhM

机器学习专栏（免费）http://t.csdnimg.cn/ALlLlSimulink专栏（免费）http://t.csdnimg.cn/csDO4电机控制专栏（免费）http://t.csdnimg.cn/FNWM7