ncnn yolov5.cpp切换yolov5n6模型

• • 问题1：yolo模型转ncnn模型
  • 问题2：yolo5n6.param参数修改
  • anchor
  • • anchor是什么？
    • anchor会放在哪？
    • yolov5n6 不要anchor 64参数会影响什么
    • 其它收获

1. 进入虚拟环境
   conda activate yolo5

2. 安装onnx
   pip install onnx
   pip install onnx-simplifier

3. 运行export.py
   python export.py --weights yolo5n6.pt --img 640 640 --batch 1 --train --simplify --include onnx
   python -m onnxsim yolo5n6.onnx yolo5n6-sim.onnx

4. 在线ncnn转换：https://convertmodel.com/#outputFormat=ncnn

1. 把所有Resharp层的 0=-1，使输出的BBOX可以自适应
   
2. yolov5.cpp 每一层的参数需要与模型的anchors对应
   
3. yolov5只处理了3个anchors，v6版本有4个
   
   4.yolov5.cpp stride 8、16、32的层名字，要对应修改
   ex.extract(blob_name, out);
   

我这边暂时按照原来3层输出的代码，丢弃了strip64的输出，检测正常。
但是准确率确实比v5s要差些。
后续研究strip64参数作用，修改代码增加strip64层输出，看效果是否有改善

网上看了很多篇文章，对新手来说都没有很好理解的，最终找到了这篇很不错：https://blog.csdn.net/qq_35054151/article/details/113011194
下面是其中以下核心的内容总结：

一组预设好不同大小、比例的框。例如三个尺度{128, 256, 512}，三个比例{1:1,1:2,2:1}，总共9个框

放在feature map每个点上。假设输入一张图片，经过各种卷积后，得到不同尺寸的特征图，4X4，2X2，1X1，那么就会在这些特征图每个点上放置这些anchor框，然后分别计算所有框里面是否有物体、类别、实际位置等。

所以前文说的yolov5n6模型里面这些参数，P3/4/5/6实际是不同feature map尺寸的anchor

anchors:
  - [19,27,  44,40,  38,94]  # P3/8
  - [96,68,  86,152,  180,137]  # P4/16
  - [140,301,  303,264,  238,542]  # P5/32
  - [436,615,  739,380,  925,792]  # P6/64

所以，P6对应的是64featuremap，是大尺寸特征图，anchor检测的是小尺寸目标！ 如果不计算这层参数，影响就是丢失小目标

anchor的大小、比例是预先定好的，所以如果实际目标比例和anchor设定的比例很不符的话，会影响检出。
所以我们训练模型时，设定的anchor，与实际图像比例、物体比例也有关系。