YOLOv10s训练代码解析3:模型构建

本专栏会手把手带你从源码了解YOLOv10(后续会陆续介绍YOLOv8、RTDETR等模型)，尽可能地完整介绍整个算法，这个专栏会持续创作与更新，大家如果想要本文PDF和思维导图，后台私信我即可(创作不易，不喜勿喷)，大家如果发现任何错误和需要修改的地方都可以私信我，我会统一修改。

YOLOv10DetectionModel继承自DetectionModel（ultralytics/nn/task.py第644行），在继续调用ultralytics/nn/task.py的第285行__init__函数，初始化模型信息，第295行根据yaml配置文件构建模型

首先看下YOLOv10s模型配置文件(ultralytics/cfg/models/v10/yolov10s.yaml)：yolov10s模型配置（每行分别表示之前的层-1为上一层、模块数量（需要*尺度[0]）、模块、模块的参数）

在ultralytics/nn/tasks.py的parse_model函数解析yaml到pytorch模型，yolov10的模块数量尺度因子为0.33，通道数深度尺度因子为0.5，最大通道数为1024

如下每层解析yaml配置文件，以第一层为例（m：conv；f：-1；n：1；args：[64, 3, 2]）

在缩放通道宽度，添加模块个数（args：[3, 32, 3, 2]）

最后m_:保存每个模块的信息；layers：列表保存所有模块的信息；save:保存模块先前层不为-1的

最后打印每一层的参数信息（下列这些模块都类似的过程：Classify, Conv, ConvTranspose, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, Focus, BottleneckCSP, C1, C2, C2f, RepNCSPELAN4, ADown, SPPELAN, C2fAttn, C3, C3TR, C3Ghost, nn.ConvTranspose2d, DWConvTranspose2d, C3x, RepC3, PSA, SCDown, C2fCIB）

对于nn.Upsample，只需上一层特征层通道数即可（对应于第933行）

对于Concat层：[[-1, 6], 1, Concat, [1]] ch列表：[32, 64, 64, 128, 128, 256, 256, 512, 512, 512, 512, 512]对应于先前模块的输出通道数（Conv、Conv、C2f、Conv、C2f、SCDown、C2f、SCDown、C2fCIB、SPPF、PSA。Upsample） Concat层维度相加：上一层特征以及第六层特征

对于v10Detect：[[16, 19, 22], 1, v10Detect, [nc]]（获取检测特征图通道数）

最后打印的YOLOv10s模型的整体结构信息：

在第二幅图构建好模型之后，继续初始化一些信息，打印模型整体参数信息（YOLOv10s summary: 402 layers, 8128272 parameters, 8128256 gradients, 25.1 GFLOP）

之后跳转到ultralytics/models/yolov10/train.py，加载模型权重（调用BaseModel类的load方法(ultralytics/nn/tasks.py)）

这部分关于模型构建的整体流程如下图所示，需要原图和思维导图的朋友关注我私信获取。