学习YOLOv5算法，发现搜到的网络结构图不方便自己理解记忆，并且将pt模型转化成onnx之后，模型可视化后差异太大，简直看不出是同一个模型，虽然结果大致相同...，所以整理了一版网络结构图坚固原始模型在心里的地位，并配上yaml网络设置相关代码。
YOLOv5s网络结构：
其中橙色的数字表示层号，0-9层构成backbone，10-23层构成head，17、20、23 层的输出是Detect()函数的输入。C3后的参数表示（c_in, c_out）* 该模块堆叠的次数，Conv和Focus参数（c_in, c_out, kernel_size, stride）, SPP后的参数（c_in, c_out, [kernel_size1,kernel_size2,kernel_size3]）,Concat是axes=1时的合并，upsample的scale_factor为2，输出图像为输入的2倍。
模块表示如下图：
相关开源yaml截图为：
值得注意的地方是，推理的时候self.training 应该为False，开源代码给了额外的灵活性（方便onnx转换的训练和推理验证）添加了export变量，
self.training |= self.export
如果设置self.export为True，则self.training为True，那么在onnx推理时，需要注意将self.export设置为False。
以上。
个人公众号会定期进行一些技术更新，感兴趣的同学可以扫码关注。
