图像目标检测算法-YOLOV5的学习

一、yolov5的网络结构，官方给出的不同版本的yolov5模型区别在哪，这些区别会带来那些改变。

yolov5 5.0 的结构，输入会经过Focus结构,上图：

backbone 主要包含：Focus,C3,conv等结构，现在分别讲解:

Focus 网络：Focus 网络是对输入图片进行切片操作，假设输入图片的大小为640×640×3,间隔一个元素提取，每个通道整合输出320×320×4的数据，四个通道以此进行此操作。将每个通道相同位置的元素提取整合concat在一起。这样做的目的就是输入数据大小减小一半，但没有特征的损失，

Conv 结构包括：2d卷积、BN层、SILU层。

BN层：BN层的提出，主要是为了解决大部分的数据落入非线性饱和区，导致模型训练过程梯度消失，一方面增加模型训练时间，还有很大的可能模型到最后无法收敛。通过计算模型批次训练数据的均值和方差，对训练数据进行均值为0,方差为1的归一化处理。如果激活函数采用的是sigmoid 函数，可让大部分的训练数据落入线性区域内，加快模型的训练收敛速度，同时考虑到归一化处理后，对数据分布的变化比较大，引入缩放平移参数对数据进行仿射变换，尽可能保持数据的原始分布，又不至于让数据完全落入饱和区域内。