YOLOv5 原理详解（纯文字背诵版·极致详细）

YOLOv5 是 Ultralytics 在 2020 年发布的现象级目标检测模型，虽然现在已经被 YOLOv8/v10/v11 超越，但它曾经连续三年统治工业界和实际落地项目，至今仍然是无数公司生产环境的绝对主力。它的最大贡献不是精度最高，而是把极致易用性、训练速度、部署友好度做到了巅峰——一句命令就能训练、导出到十多种平台，彻底把目标检测门槛拉到地板。

YOLOv5 依然继承了 YOLOv4 的几乎全部优秀设计，同时用 PyTorch 重写得更加干净优雅。核心仍然是单阶段检测器，整张图只看一次，端到端预测所有物体的位置和类别。

网络结构同样分为 Backbone（主干） + Neck（颈部） + Head（检测头三个大模块。我们还是按从输出到输入的顺序背，更好记忆。

一、检测头（Head）—— 经典 Anchor-Based + Coupled Head

YOLOv5 的检测头完全延续 YOLOv3/v4 的经典设计：Anchor-Based + 耦合头。

1. Anchor-Based（有锚框） 每个尺度预设 3 个不同长宽比的锚框（总共 9 个锚框，分到三个尺度），每个网格单元负责预测这 3 个锚框的调整量（tx, ty, tw, th）和 objectness）。预测时会产生大量候选框，最后通过 NMS 去除重复。
2. Coupled Head（耦合头） 一个卷积同时输出五部分信息：

• 4 个回归值（中心点偏移 + 宽高缩放）
• 1 个 objectness 分数（这个锚框里有没有物体）
• nc 个类别分数（nc 是类别数，COCO 是 80）

分类和回归完全共享特征，耦合在一起训练（和 YOLOv8 的解耦头完全相反）。

1. 三尺度输出 同样是 P3、P4、P5 三个尺度（8倍、16倍、32倍下采样）：

• P3（大特征图）：负责小物体，锚框面积小
• P4：中等物体
• P5（小特征图）：大物体，锚框面积大

每个网格单元输出向量长度 = 3 × (4 + 1 + nc) = 3×(5+nc)

二、标签分配策略（正负样本分配）

YOLOv5 使用经典的基于 IoU 的固定分配方式（和 YOLOv8 的动态 TaskAlignedAssigner 完全不同）。

具体规则（必须背熟）： 一个真实物体（ground truth）会和所有预设锚框计算 IoU，取 IoU 最大的那个锚框所在的网格作为正样本。 同时，如果某个锚框与该物体的 IoU > 阈值（通常 0.7），也算正样本（多分配）。 其余所有锚框如果是 IoU < 0.3 就是负样本，中间区间被忽略（不参与训练）。

这种方式简单粗暴，但对锚框设计非常敏感，不同数据集必须重新聚类锚框。

三、损失函数（背诵口诀：BCE + BCE + GIoU/CIoU）

YOLOv5 的三大损失超级经典：

1. 分类损失 + objectness 损失：都用 Binary Cross Entropy with Logits Loss（BCEWithLogitsLoss），带 sigmoid，把多类别当成 80 个二分类来处理（比 v4 的普通 BCE 更稳定）
2. 边界框回归损失：
   • YOLOv5s/m：使用 CIoU Loss（Complete IoU Loss）
   • YOLOv5l/x：使用 CIoU Loss（完整 IoU，包含中心点距离、重叠率、长宽比三项惩罚）

CIoU 是当时最强的 IoU 类损失（直到后来出现了 EIoU、SIoU、Wise-IoU 等）

四、Neck 部分—— PAN + SPPF（YOLOv5 对标基础版）

YOLOv5 的 Neck 几乎和 YOLOv4 一模一样：

经典 PAN 结构（Path Aggregation Network）：

• 自底向上路径：把浅层定位信息传给深层
• 自顶向下路径：把深层语义信息传给浅层

关键模块是 C3 模块（也叫 BottleneckCSP）

C3 模块结构（必须背下来）： 输入 → Split（分成两路） → 一路直接走 → 另一路依次经过 n 个 Bottleneck（每个 Bottleneck 是 1×1 卷积降维 → 3×3 卷积 → 1×1 升维 + 残差） → 两路 Concat → 最后 1×1 卷积调整通道

还有 SPPF 模块（YOLOv5 新增的优化版 SPP）： 用三个串联的 MaxPool(5×5, stride=1) 替代原来的 SPP（原来是 5、9、13 三个并行池化），速度更快，效果几乎一样。

五、Backbone 主干网络—— CSPDarknet53 终极优化版

YOLOv5 的 Backbone 是 CSP 化的 Darknet53，开头有个 Focus 模块（后来 v6.0 才改成 6×6 卷积）。

Focus 模块（经典结构，必须背）： 输入图像 → 切片操作（把 640×640×3 变成 320×320×12）→ 一个隔一个取像素，相当于把通道堆起来）→ 再接一个 3×3 卷积变成 320×320×64

这样比直接下采样更省计算，信息损失更少。

整体流程（以 YOLOv5s 为例）： Focus → Conv → C3 ×1 → Conv → C3 ×3 → Conv → C3 ×9 → Conv → C3 ×9 → Conv → C3 ×3 → SPPF → PAN 颈部

所有核心模块都是 C3，只有开头有 Focus（大模型 l/x 更深更宽）。

六、训练策略（工业级杀手锏）

1. Mosaic 数据增强全程开启（四张图拼接成一张，最后一个 epoch 才关）
2. 自动锚框聚类（每个数据集自动计算最佳锚框）
3. MixUp、HSV 随机增强、随机缩放、平移、翻转等超强增强
4. Label Smoothing（标签平滑）
5. 自动学习率（Cosine Annealing + Warmup）
6. EMA（指数移动平均）权重可选
7. Hyp.scratch 超参数文件，一键超强训练

真正做到“无脑起飞”的模型——改个 data.yaml，命令一行，几个小时就出顶级精度。

总结背诵口诀（一句话记完所有核心点）

“YOLOv5：Focus 开头 + C3 模块 + SPPF，Anchor-Based 耦合头，三尺度 3 个锚框，BCE + BCE + CIoU 三大损失，Mosaic 全程开，自动锚框聚类，PAN 颈部 + CSPDarknet 主干，易用性天花板，工业界永远的神。”