如何把yolov5里的PANet層改成BiFPN詳析

89542767 發布于2023-01-02 20:59 / 924人閱讀

　　如今yolov5的neck用的都是PANet,在efficient文章中給出了BiFPN結構,也有更為很不錯的特性,接下來本文關鍵為大家介紹了對于如何將yolov5里的PANet層改成BiFPN的資料,需用的小伙伴可以借鑒一下

　　一、Add

　　1.在common.py后放入如下所示編碼
　　#融合BiFPN設定可學習培訓主要參數學習培訓不一樣支系的權重值
　　#2個支系add實際操作
　　classBiFPN_Add2(nn.Module):
　　def__init__(self,c1,c2):
　　super(BiFPN_Add2,self).__init__()
　　#設定可學習培訓主要參數nn.Parameter的的作用是：把一個不能鍛煉的種類Tensor轉化成能夠鍛煉的種類parameter
　　#而且會往寄主實體模型申請注冊該主要參數作為其部分即model.parameters()會含有這個parameter
　　#進而在參數優化的時候也可以全自動一塊兒提升
　　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]))
　　#三個分支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)#將權重進行歸一化
　　#Fast normalized fusion
　　return self.conv(self.silu(weight[0]*x[0]+weight[1]*x[1]+weight[2]*x[2]))

　　2.yolov5s.yaml進行修改

　　#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]],#為了BiFPN正確add，調整channel數
　　[[-1,13,6],1,BiFPN_Add3,[256,256]],#cat P4&lt;---BiFPN change注意v5s通道數是默認參數的一半
　　[-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函數中找到elif m is Concat:語句，在其后面加上BiFPN_Add相關語句：

　　#添加bifpn_add結構
　　elif m in[BiFPN_Add2,BiFPN_Add3]:
　　c2=max([ch[x]for x in f])

　　4.修改train.py，向優化器中添加BiFPN的權重參數

　　將BiFPN_Add2和BiFPN_Add3函數中定義的w參數，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)

　　然后導入一下這兩個包

　　二、Concat

　　1.在common.py后加入如下代碼

　　#結合BiFPN設置可學習參數學習不同分支的權重
　　#兩個分支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)#將權重進行歸一化
　　#Fast normalized fusion
　　x=[weight[0]*x[0],weight[1]*x[1]]
　　return torch.cat(x,self.d)
　　#三個分支concat操作
　　class BiFPN_Concat3(nn.Module):
　　def __init__(self,dimension=1):
　　super(BiFPN_Concat3,self).__init__()
　　self.d=dimension
　　#設置可學習參數nn.Parameter的作用是：將一個不可訓練的類型Tensor轉換成可以訓練的類型parameter
　　#并且會向宿主模型注冊該參數成為其一部分即model.parameters()會包含這個parameter
　　#從而在參數優化的時候可以自動一起優化
　　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)#將權重進行歸一化
　　#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進行修改

　　#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&lt;---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&lt;---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&lt;---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&lt;---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函數中找到elif m is Concat:語句，在其后面加上BiFPN_Concat相關語句：

　　#添加bifpn_concat結構
　　elif m in[Concat,BiFPN_Concat2,BiFPN_Concat3]:
　　c2=sum(ch[x]for x in f)
　　4.修改train.py，向優化器中添加BiFPN的權重參數
　　添加復方式同上（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)

綜上所述，這篇文章就給大家介紹到這里了，希望可以給大家帶來幫助。

GPU云服務器云服務器把服務器改成云盤把安卓手機改成云服務器怎樣把電話卡改成云服務器公眾號里的視頻如何下載

文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。

轉載請注明本文地址：http://specialneedsforspecialkids.com/yun/129041.html

如何把yolov5里的PANet層改成BiFPN詳析

　　如今yolov5的neck用的都是PANet,在efficient文章中給出了BiFPN結構,也有更為很不錯的特性,接下來本文關鍵為大家介紹了對于如何將yolov5里的PANet層改成BiFPN的資料,必須的小伙伴可以借鑒一下　　一、Add　　1.在common.py后放入如下所示編碼　　#融合BiFPN設定可學習培訓主要參數學習培訓差異支系的權重值　　#2個支系add實際操作　　clas...

89542767 2023-01-01 18:05 評論0 收藏0
YOLOv5改善實例教程之加上注意力機制

　　注意力機制最開始被用于NLP行業,Attention就是為了給實體模型意識到信息中哪一塊是最關鍵的,給它分派更多的權重值,獲得更多集中注意力在某些特點上,讓實體模型主要表現更強,文中關鍵為大家介紹了有關YOLOv5改善實例教程之加上注意力機制的資料,必須的小伙伴可以借鑒一下　　文中關鍵為大家講解一下下，怎樣在yolov5中加入注意力機制，　　這兒給予SE通道專注力的改進方案，別的專注力的加上方...

89542767 2023-01-10 11:27 評論0 收藏0

發表評論

登陸后可評論

0條評論

89542767

男|高級講師

我要關注我要私信

TA的文章

pythontime控制模塊時間格式與結構型時長詳細說明

閱讀 911·2023-01-14 11:38
OpenMV與JSON編碼問題分析

閱讀 878·2023-01-14 11:04
python中的特性管理模式詳細說明

閱讀 740·2023-01-14 10:48
Python運用fastapi完成上傳圖片

閱讀 1982·2023-01-14 10:34
pythonopencv圖象高通濾波和低通濾波器的范例編碼

閱讀 942·2023-01-14 10:24
Python根據ssh遠程桌面連接Mysql數據庫操作

閱讀 819·2023-01-14 10:18
本文輕輕松松掌握Python中類的繼承

閱讀 499·2023-01-14 10:09
python中wordcloud組裝方式總結

閱讀 572·2023-01-14 10:02

国产xxxx99真实实拍_久久不雅视频_高清韩国a级特黄毛片_嗯老师别我我受不了了小说

資訊專欄INFORMATION COLUMN

上云采購季！| 2核2G4M爆款云服務器低至59元/年，更有多臺、長期優惠，快來選購！

如何把yolov5里的PANet層改成BiFPN詳析

相關文章