YOLO V5系列模型详解：从small到extra的不同规模模型对比

YOLO V5系列模型详解：从small到extra的不同规模模型对比

引用

CSDN

1.

https://blog.csdn.net/lhzhqq/article/details/137265073

YOLO V5作为当前最流行的实时目标检测算法之一，提供了多种规模的模型以适应不同的应用场景。从轻量级的small模型到高性能的extra模型，YOLO V5通过调整特征提取网络的深度和宽度，实现了速度与精度的平衡。本文将详细介绍YOLO V5系列模型的不同规模类型及其性能特点。

1. 概述

为了适应不同的应用场景，YOLO V5并不是采用单一规模的模型，而是采用多种规模的模型。不同的规模的模型，其速度、所需要的内存空间，mAP不尽相同。

GitHub - ultralytics/yolov5: YOLOv5 ???? in PyTorch > ONNX > CoreML > TFLite

2. 不同模型性能比较

3. 典型规模的模型：

规模的大小，主要是针对于特征提取层的深度神经网络的层数而言的。

• YOLOv5s： small
• YOLOv5m： middle
• YOLOv5l： large
• YOLOV5x： extra

4. 模型规模的配置

（1）模型配置文件的路径

（2）模型配置文件的内容

# 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 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # 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, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)
   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

（3）不同规模模型的比较