[Python] YOLOv5模型配置文件深度解析：从参数详解到自定义训练实战

在YOLOv5之前的版本中，普遍采用cfg文件对其各种配置参数进行控制。从YOLOv5版本开始，正式采用了yaml配置文件格式。YOLOv5的配置文件在其源代码目录的models子目录下，该目录默认情况下包含多个模型配置文件，分别对应各个不同规模的模型结构。

从这个配置文件的结构上看，YOLOv5的配置参数信息可以分为全局参数部分和网络结构参数部分，而网络结构参数部分又可以分为backbone和head两个子部分。

全局参数

配置文件的全局参数部分如下所示：

# Parameters
nc: 80  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # 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

nc (number of classes)

这个参数用于定义模型需要检测的目标类别数量。因为YOLOv5模型默认是使用COCO数据集训练的，所以这里默认的80就是COCO数据集所支持的目标类别数量。如果要使用自定义数据集对YOLOv5模型进行从头训练的话，nc对应为自己数据集所支持的类别数量（在数据集配置文件中设置并覆盖网络模型配置文件中的nc设置值）。

depth_multiple

depth_multiple是一个缩放因子，用于控制网络深度，具体来说是控制主干网络和颈部网络中每个C3模块（在YOLOv5 v6.0中，CSPBlock被称为C3模块）内Bottleneck残差块数量的乘数。

与depth_multiple参数相关的计算代码如下：

n = max(round(n * depth_multiple), 1) if n > 1 else n  # depth gain

其中的n是在配置文件中预设的模块重复次数，max()函数用于确保计算后的模块数是一个不小于1的整数。以YOLOv5s为例，主干网络部分第三个CSP Layer的配置为[-1, 9, C3, [512]]，即这个CSP Layer预设包含9个残差块。YOLOv5s的depth_multiple为0.33，因此在该模型中该层实际的残差块数量为：max(round(9 * 0.33), 1) = max(round(2.97), 1) = 3。

width_multiple

width_multiple的逻辑与depth_multiple类似，它是一个乘数因子，控制着网络中所有卷积层和C3模块（包括主干网络和颈部网络部分）的输出通道数（即特征图的卷积核数量）。在模型构建过程中，该参数会与配置文件中的预设通道数相乘，然后通过make_divisible函数确保结果是8的倍数（为了GPU计算效率）：

c2 = make_divisible(c2 * width_multiple, 8)

以YOLOv5s的第一个卷积层为例，配置文件中预设的通道数为[64, 6, 2, 2]（输出通道数默认为64），其width_multiple参数为0.50，因此该层实际输出的通道数为：64 × 0.50 = 32。

anchors (锚框)

与YOLOv3和v4版本相同，YOLOv5同样通过Anchor锚框机制来预设目标检测边界框的尺寸，以帮助模型更准确地定位和识别目标。YOLOv5的主干网络会输出大、中、小三种分辨率的特征图，每个特征图的每个网格会预设三个不同尺寸和长宽比的anchor框：

anchors:
  - [10,13, 16,30, 33,23]  # P3/8 - 小目标检测
  - [30,61, 62,45, 59,119] # P4/16 - 中目标检测
  - [116,90, 156,198, 373,326] # P5/32 - 大目标检测

• 配置文件中的anchor配置信息总共三行，分别对应不同尺度的特征图：P3/8、P4/16、P5/32。
• 每行包含3组宽高值，每组代表一个anchor的[width, height]。
• 小特征图（P5/32）使用大anchor检测大目标，中特征图（P4/16）使用中等anchor检测中等目标，大特征图（P3/8）使用小anchor检测小目标。

配置文件中所设置的anchor框尺寸是基于COCO数据集的。实际上，在使用自定义数据集进行训练时，YOLOv5模型会启用一个名为“自动学习边界框锚点(Auto Learning Bounding Box Anchors)”的机制。 该机制会检查自定义数据集的anchor先验框尺寸与配置文件中的默认值是否匹配。如果不匹配，就会使用k-means方法重新计算适用于该数据集的anchor，并在后续训练中使用。

与数据集配置选项的冲突

在调用train.py进行自定义数据训练时，除了模型配置文件，还需设置数据集的配置文件（位于data目录下）。而数据集的配置文件中同样包含nc或anchors等配置选项，那么它们与模型配置文件中的选项是什么关系呢？

答案是：YOLO训练脚本会优先采用数据配置文件中的配置选项。如果模型配置文件中的nc值与数据集配置文件中的不同，终端会打印警告信息，例如：Overriding model.yaml nc=80 with nc=5。这表示程序正在将模型输出层的类别数从默认值（如COCO数据集的80类）覆盖为训练数据集的实际类别数（如5类）。

在yolo.py的DetectionModel类中，有相应代码确保当数据集配置文件提供了nc和anchors参数时，会覆盖模型配置文件中的对应值。

网络结构参数

YOLOv5的网络结构通过一个列表来定义每一层，格式为：[from, number, module, args]。以下是对各个参数的详细解释：

• from: 指定当前层的输入源。
  • 在主干网络（backbone）中，通常设为-1，表示接收上一层的输出。
  • 在头部网络（head）中，会出现类似[-1, 6]的设置，这表示将当前层（通常是上采样结果）与骨干网络中索引为6的特征图进行拼接（Concat），以实现多尺度特征融合。
• number: 定义当前模块需要重复堆叠的次数。
  • 对于Conv、SPPF等无需重复的结构，该值设为1。
  • 对于C3模块，该值与depth_multiple参数协同决定最终堆叠次数：最终次数 = number × depth_multiple（结果四舍五入取整，且至少为1）。
• module: 指定该层所使用的网络模块类型，例如Conv、C3、SPPF、Upsample、Concat、Detect等。
• args: 一个列表，用于定义模块所需的参数，具体含义取决于模块类型。例如，对于Conv模块，args可能包含[输出通道数, 卷积核大小, 步长]。

在配置文件中，网络结构参数部分通过Backbone和Head两个段落来定义主干网络和颈部网络。

Backbone (主干网络)

主干网络结构的配置如下所示：

# 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
  ]

结合配置文件与网络结构图，可以清晰地理解主干网络的层级递进关系，它通过卷积进行下采样，并交替使用C3模块进行特征提取。

Head (头部网络)

Head部分主要定义了YOLOv5的颈部网络（Neck）和检测头（Detect）的结构。以下是默认配置：

# 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)
  ]

头部网络的结构比主干网络稍复杂，其核心是特征金字塔网络（FPN）和路径聚合网络（PAN）的结合。它通过上采样（Upsample）和拼接（Concat）操作，将深层的高语义特征与浅层的高分辨率特征进行融合，从而构建出具有丰富信息的多尺度特征图。

配置文件中的最后一行 [[17, 20, 23], 1, Detect, [nc, anchors]] 至关重要。它表示检测头（Detect） 将接收来自第17、20、23层的输出（分别对应P3、P4、P5三个尺度的特征图），并最终在这三个尺度上预测目标的边界框、置信度和类别概率，这是模型优化和算法应用中的关键步骤。