yolov5源码解析

前言

第一次写博客，为了方便每次隔一段时间重看yolov5源码都会忘记很多细节，都要重新找然后看很多文章，直接自己写博客记录下来。
参考文章：
YOLOv5源码逐行超详细注释与解读（1）——项目目录结构解析
YOLOv5源码逐行超详细注释与解读（5）——配置文件yolov5s.yaml
YOLOv5源码逐行超详细注释与解读（6）——网络结构（1）yolo.py
YOLOv5源码逐行超详细注释与解读（7）——网络结构（2）common.py
万字长文！YOLO算法模型yaml文件史上最详细解析与教程！小白也能看懂！掌握了这个就掌握了魔改YOLO的核心！

1、两个重要图片

YOLOv5有四个版本n，s，m，l，输入图片尺寸都为640×640，经过32倍下采样，输出3个预测特征层。
各个版本模型网络结构相同，只是网络深度和宽度不同。

2、Neck部分——FPN+PANet

3、common.py文件

Bottleneck子模块

	在CNN中，卷积层和池化层等操作会影响特征图的空间尺寸。例如：
卷积层:
如果使用1x1卷积核，通常不会改变特征图的空间尺寸，但会改变通道数。
如果使用3x3卷积核，且步长为1，填充为1，则输出特征图的空间尺寸保持不变。
如果使用3x3卷积核，且步长为2，则输出特征图的空间尺寸会减半。
池化层:
如果使用最大池化或平均池化，通常会减少特征图的空间尺寸
	因此，以下模块中的cv1，cv2两个卷积操作仅仅改变特征图通道数，不会改变尺寸。

class Bottleneck(nn.Module):
    # Standard bottleneck
    def __init__(self, c1, c2, shortcut=True, g=