YOLOv5核心基础知识讲解

我这主要是江大白老师的内容！！

深入浅出Yolo系列之Yolov3&Yolov4&Yolov5&Yolox核心基础知识完整讲解（优快云）

深入浅出Yolo系列之Yolov5核心基础知识完整讲解（知乎）

目录

0、基础概念

1、Yolov5四种网络

2、核心基础内容

2.1 YOLOv5核心基础内容

2.2 Yolov5核心基础内容

2.2.1 输入端

2.2.2 Backbone

2.2.3 Neck

2.2.4 输出端

3、小目标分割检测

4、参考文章

0、基础概念

目标检测算法常见标识物体位置的框：

• 边界框（bounding box）用于标识物体的位置，可以是真实框也可以是预测框，它指目标物体的最小外边界框。常用格式有左上右下坐标，即xyxy；中心宽高，即xywh。
• 真实框（Ground truth box） 是人工标注的位置，存放在标注文件中
• 预测框（Prediction box） 是由目标检测模型计算输出的框
• 锚框（Anchor box）用于预测框计算做参考；基于这个参考，算法生成的预测框仅需要在这个锚框的基础上进行“精修或微调fine-tuning”即可。

1、Yolov5四种网络

YOLOv5官方代码中，给出的目标检测网络中一共有4个版本，分别是YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四个模型。

YOLOv5s整体的网络结构图

 本文以YOLOv5s的网络结构为主线，讲解与其他三个模型（YOLOv5m、YOLOv5l、YOLOv5x）的不同点。

YOLOv5s网络是YOLOv5系列中深度最小，特征图的宽度最小的网络。其他的三种都是在此基础上不断加深，不断加宽。

2、核心基础内容

2.1 YOLOv5核心基础内容

 上图即YOLOv5的网络结构图，可以看出其分为输入端、Backbone、Neck、Prediction四个部分。

Backbone：主干网络，其大多时候指的是提取特征的网络。主干网络的作用就是提取图片中的信息，供后面的网络使用。经常使用的网络是resnet、VGG等（非自己设计），这些网络在分类等问题上的特征提取能力很强。

neck:其作用是更好地融合/提取backbone给出的feature，从而提高网络的性能。

基本组件：

CBL：由Conv+Bn+Leaky_relu激活函数三者组成。

Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。

CSPX：借鉴CSPNet网络结构，由卷积层和X个Res unint模块Concate组成。

SPP：采用1×1，5×5，9×9，13×13的最大池化的方式，进行多尺度融合。

其他基础操作：

Concat：张量拼接，会扩充两个张量的维度，例如26*26*256和26*26*512两个张量拼接，结果是26*26*768。

add：张量相加，张量直接相加，不会扩充维度，例如104*104*128和104*104*128相加，结果还是104*104*128。

YOLO5作者的算法性能测试图：

 YOLOv5s网络最小，速度最快，AP精度也最低。若检测的以大目标为主，追求速度，是个不错的选择。其他的三种网络，在YOLOv5基础上，不断加深加宽网络，AP精度也不断提升，但速度的消耗也在不断增加。

2.2 Yolov5核心基础内容

2.2.1 输入端

（1）Mosaic数据增强

YOLOv5中使用的Mosaic是参考2019年底提出的CutMix数据增强的方式，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，对于小目标的检测效果是不错的。

 在平时项目训练时，小目标的AP一般比中目标和大目标低很多。而COCO数据集中也包含大量的小目标，但比较麻烦的是小目标的分布并不均匀。

小、中、大目标的定义：2019年发布的论文《Augmentation for small object detection》对此进行了区分：