學習YOLOv5算法，發現搜到的網絡結構圖不方便自己理解記憶，並且將pt模型轉化成onnx之后，模型可視化后差異太大，簡直看不出是同一個模型，雖然結果大致相同...，所以整理了一版網絡結構圖堅固原始模型在心里的地位，並配上yaml網絡設置相關代碼。
YOLOv5s網絡結構：
其中橙色的數字表示層號，0-9層構成backbone，10-23層構成head，17、20、23 層的輸出是Detect()函數的輸入。C3后的參數表示（c_in, c_out）* 該模塊堆疊的次數，Conv和Focus參數（c_in, c_out, kernel_size, stride）, SPP后的參數（c_in, c_out, [kernel_size1,kernel_size2,kernel_size3]）,Concat是axes=1時的合並，upsample的scale_factor為2，輸出圖像為輸入的2倍。
模塊表示如下圖：
相關開源yaml截圖為：
值得注意的地方是，推理的時候self.training 應該為False，開源代碼給了額外的靈活性（方便onnx轉換的訓練和推理驗證）添加了export變量，
self.training |= self.export
如果設置self.export為True，則self.training為True，那么在onnx推理時，需要注意將self.export設置為False。
以上。
個人公眾號會定期進行一些技術更新，感興趣的同學可以掃碼關注。
