YOLOv5

 一、YOLOv5 原理

yolo系列的检测网络是典型的one-stage网络。YOLOv5的网络结构如下图。

 上图中给出的为yolov5s的网络结构，还有三种：yolov5m、yolov5l、yolov5x。这四种网络只是网络的深度和宽度有所不同，其中yolov5s是参数最少的结构。

目标检测网络一般分为输入端、Backbone、Neck、Prediction四个部分。接下来依次介绍一下yolov5的这四个部分。

1.输入端

采取Mosaic数据增强方式、自适应anchor计算、自适应图片缩放。

（1）Mosaic数据增强方式：是Yolov4中使用的，其受CutMix数据增强的启发，但CutMix只使用了两张图片进行拼接，而Mosaic数据增强则采用了4张图片，随机缩放、随机裁剪、随机排布的方式进行拼接。示意图如下。

 使用Mosaic数据增强方式可以大大丰富数据集，并且可以增加很多小目标（拼接成一张图像会使原图的目标变小）。

（2）自适应anchor计算：在Yolo算法中，针对不同的数据集，都会有初始设定长宽的锚框。在网络训练中，网络在初始锚框的基础上输出预测框，进而和真实框进行比对，计算两者差距，再反向更新，迭代网络参数。Yolov5中将此功能嵌入到代码中，每次训练时，自适应的计算不同训练集中的最佳锚框值。（通过k-means聚类得到先验框）

（3）自适应图片缩放：针对不同的目标检测算法而言，通常需要执行图片缩放操作，即将原始的输入图片缩放到一个固定的尺寸，再将其送入检测网络中。YOLO系列算法中常用的尺寸包括416*416，608 *608等尺寸。原始的缩放方法存在着一些问题，由于在实际的使用中的很多图片的长宽比不同，因此缩放填充之后，两端的黑边大小都不相同，然而如果填充的过多，则会存在大量的信息冗余，从而影响整个算法的推理速度。为了进一步提升YOLOv5算法的推理速度，提出一种方法能够自适应的添加最少的黑边到缩放之后的图片中。该操作仅在模型推理阶段执行。

2.Backbone

yolov5在Backbone中使用了focus结构和CSP结构。其中CSP结构如网络结构图所示。focus结构如下所示。

 输入为608*608*3，经过focus结构后变为304*304*12.Focus模块可以提高每个点感受野，并减少原始信息的丢失，该模块的设计主要是减少计算量加快速度。

3.Neck

yolov5在Neck仍然采用FPN（特征金字塔网络，后面卷积层经过上采样与前面的层concate，从而提升网络的多尺度检测能力）

4.Prediction

Yolov5中采用其中的GIOU_Loss做Bounding box的损失函数。此外，将nms中IOU修改成DIOU_nms。对于一些遮挡重叠的目标，会有一些改进。

二、YOLOv5总结

YOLOv5的优势：

1. 使用PyTorch进行编写。https://github.com/ultralytics/yolov5
2. 可以轻松编译成ONNX和CoreML。
3. 体积小，速度极快，精度高。。
4. 集成了YOLOv3-spp和YOLOv4部分特性。