YoloV5模型加入DenseNet时出现的问题
作者您好，我在看您对yolov7模型加入DenseNet模块的文章并且实践，想请问一下我是用YoloV5来做实践的，在这里里面我在parse_model函数当中加入您所说的代码时会出现报错，我应该怎么解决这一问题呢？
包括您下面所说的网络配置我应该怎么样配置呢？
必须先有if才能有elif，你直接用elif肯定报错
不知道你这个问题是否已经解决, 如果还没有解决的话:- 这个问题的回答你可以参考下: https://ask.csdn.net/questions/7419203
- 除此之外, 这篇博客: Yolov5（2）：模型解析与构建源码逐行解析中的 二、 parse_model函数解析 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
def parse_model(d, ch): # model_dict, input_channels(3) # 打印模型中各层参数--表头 # LOGGER.info中 '':>3 表示靠右对齐，统一占位大于等于3 # 'module':<40 表示靠左对齐，统一占位大于等于40 LOGGER.info(f"\n{'':>3}{'from':>18}{'n':>3}{'params':>10} {'module':<40}{'arguments':<30}") # anchors：预选框 # nc ：类别数 # depth_multiple： 网络深度防缩因子 # width_multiple： 网络通道数防缩因子 anchors, nc, gd, gw = d['anchors'], d['nc'], d['depth_multiple'], d['width_multiple'] # 得到一层的预选框的个数 na = (len(anchors[0]) // 2) if isinstance(anchors, list) else anchors # number of anchors # 每一个预选框包含 nc+5 个预测值，其中nc个值用来预测类别，2个用来预测位置调整，2个用来预测预测框尺寸调整，1个用来判别是否有目标 no = na * (nc + 5) # number of outputs = anchors * (classes + 5) # layers：保存每一层 # save ：为残差连接的concat暂存中间调整图 # c2 ：当前模块的input_channel layers, save, c2 = [], [], ch[-1] # layers, savelist, ch out # 构建模型 # from：前一残差模块索引, number：深度, module：模块名, args：参数 for i, (f, n, m, args) in enumerate(d['backbone'] + d['head']): # 实例化模块 m = eval(m) if isinstance(m, str) else m # eval strings for j, a in enumerate(args): try: # 将参数字符串转换为参数数值 args[j] = eval(a) if isinstance(a, str) else a # eval strings except NameError: pass # round(n * gd): 放缩模块深度，四舍五入 n = n_ = max(round(n * gd), 1) if n > 1 else n # depth gain # 处理第一类模块，这一类模块的参数类似： # 输入、输出通道数、 if m in [Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv, BottleneckCSP, C3, C3TR, C3SPP, C3Ghost]: # 每处计算c2目的是作为下一层的输入通道数 c1, c2 = ch[f], args[0] # 判断是否为最终输出，否则输出通道数要经过放缩为模型量级 if c2 != no: # 将c2限定下界为 8 ， make_divisible返回的是 max(ceil(c2 * gw / 8) * 8, 8) c2 = make_divisible(c2 * gw, 8) # 装入参数列表：输入通道数、输出通道数、其他参数 args = [c1, c2, *args[1:]] # 处理第一类模块中的部分模块，这一类模块的参数： # 第三个参数额外多一个深度 if m in [BottleneckCSP, C3, C3TR, C3Ghost]: args.insert(2, n) # number of repeats n = 1 # 处理第二类模块参数，仅仅需要一个通道数作为正则化参数 elif m is nn.BatchNorm2d: args = [ch[f]] # 处理第三类模块参数，计算出拼接后的通道数 elif m is Concat: c2 = sum(ch[x] for x in f) # 处理第四类模块参数，目标检测模块 elif m is Detect: # 此模块参数为：[nc, anchors, [layer1_ch, layer2_ch, layer3_ch]] # 三层特征图的通道数 args.append([ch[x] for x in f]) # 如果anchors为整数，表明传入的是预选框个数，则生成anchors数对表示预选框,len(f)表示层数 if isinstance(args[1], int): # number of anchors args[1] = [list(range(args[1] * 2))] * len(f) # 处理第五类模块参数， 图像切割，例如（1，3，20，20）-->（1，12，10，10），传入参数为切割比例 # 进而计算出输出的通道数为c2 elif m is Contract: c2 = ch[f] * args[0] ** 2 # 处理第六类模块参数，是Contract的逆过程 elif m is Expand: c2 = ch[f] // args[0] ** 2 else: # 其他模块 c2 = ch[f] # 逐个构建模块，对于多层的进行展开重构为整体，目的是提高效率，节省空间 m_ = nn.Sequential(*(m(*args) for _ in range(n))) if n > 1 else m(*args) # module # 例如："<class 'torch.nn.modules.conv.Conv2d'>"，目的为修改类型 t = str(m)[8:-2].replace('__main__.', '') # module type # numel()获取tensor的元素总个数，np就是总参数量 np = sum(x.numel() for x in m_.parameters()) # number params # 修改模块的信息，便于后续制表格式打印 m_.i, m_.f, m_.type, m_.np = i, f, t, np # attach index, 'from' index, type, number params LOGGER.info(f'{i:>3}{str(f):>18}{n_:>3}{np:10.0f} {t:<40}{str(args):<30}') # print # 为残差连接的concat暂存中间调整图，同时也为可视化提供帮助 save.extend(x % i for x in ([f] if isinstance(f, int) else f) if x != -1) # append to savelist layers.append(m_) # 处理边界 if i == 0: ch = [] ch.append(c2) return nn.Sequential(*layers), sorted(save)
如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^