簡介：
yolov5權重檔案：
密碼：00mp
作者給的演算法效能如下圖：
改編自知乎大佬的一張圖：
yolov5s網路是yolov5系列中深度最小，特徵圖的寬度最小的網路。後面的3種（yolov5m、yolov5l、yolov5x）都是在此基礎上不斷加深，不斷加寬。
（1）mosaic資料增強：
同yolov4，是這個作者提出來的。
（2）自適應錨框計算：
在以前的yolo中，我們要自己用k-means聚類算出初始anchors的大小，但yolov5中將此功能整進了train**裡，每次訓練時自適應的計算不同訓練集中的最佳錨框值。
（3）自適應縮放：
在訓練階段，比如網路輸入的尺寸608×608，但我資料的尺寸是大小不一的，一般方法是直接同一縮放到標準尺寸，然後填充黑邊，如下圖所示：
但如果填充的比較多，則存在資訊冗餘，影響推理速度。
yolov5在推理階段，採用縮減黑邊的方式，來提高推理的速度。在**datasets.py的letterbox函式中進行了修改，對原始影象自適應的新增最少的黑邊。
eg：「比如我1000×800的不是直接縮放到608×608的大小，而是計算608/1000=0.608 然後縮放至608×486的大小，然後計算608-486=122 然後np.mod(122，32)取餘數得到26，再平均成13填充到高度兩端，最後是608×512。」
（1）focus結構：
focus結構，在yolov3&yolov4中並沒有這個結構，其中比較關鍵是切片操作。
以yolov5s的結構為例，原始608×608×3的影象輸入focus結構，採用切片操作，先變成304×304×12的特徵圖，再經過一次32個卷積核的卷積操作，最終變成304×304×32的特徵圖。
（2）csp結構：
yolov5與yolov4都有csp結構，不同點在於，yolov4中只有主幹網路使用了csp結構。
而yolov5中設計了兩種csp結構，以yolov5s網路為例，csp1_x結構應用於backbone主幹網路，另一種csp2_x結構則應用於neck中。
3、neck：
（1）fpn+pan結構。
yolov5現在的neck和yolov4中一樣，都採用fpn+pan的結構。
yolov4的neck結構中，採用的都是普通的卷積操作。而yolov5的neck結構中，採用借鑑cspnet設計的csp2結構，加強網路特徵融合的能力。
（1）bounding box損失函式：
yolov4中採用的ciou_loss做bounding box的損失函式，yolov5中採用其中的giou_loss。
ps：回歸損失函式近些年的發展過程是：
smooth l1 loss → iou loss（2016）→ giou loss（2019）→ diou loss（2020）→ ciou loss（2020）
iou_loss：主要考慮檢測框和目標框重疊面積。
giou_loss：在iou的基礎上，解決邊界框不重合時的問題。
diou_loss：在iou和giou的基礎上，考慮邊界框中心點距離的資訊。
ciou_loss：在diou的基礎上，考慮邊界框寬高比的尺度資訊。
（2）nms非極大值抑制：
後處理階段一般會對很多個框進行nms演算法，因為ciou_loss中包含影響因子v，涉及groudtruth的資訊，而測試推理時，是沒有groundtruth的。
所以yolov4推理時是在diou_loss的基礎上採用diou_nms的方式，而yolov5中是giou_loss的基礎上採用加權nms的方式。
系列傳送門：
目標檢測——r-cnn（一）
目標檢測——fast r-cnn（二）
目標檢測——faster r-cnn（三）
目標檢測——mask r-cnn（四）
目標檢測——r-fcn（五）
目標檢測——yolov3（六）
目標檢測——yolov4（七）
目標檢測——yolov5（八）
目標檢測——ssd（九）
目標檢測——retinanet（十）
目標檢測——refinedet（十一）
YOLOV5模型架構
模型架構是按照配置檔案yaml進行搭建的。不同的版本的yaml在model資料夾中，每一版本的模型分為兩個部分backbone和head。每一行代表了乙個運算單元，這裡按照yolov5結構圖可以方便理解。每一行有四個引數，引數1 代表輸入從運算單元獲得，1代表從上乙個單元獲得。引數2 代表該運算單元...
yolov3 yolov4與yolov5效能對比
yolov5s網路最小，速度最少，ap精度也最低。但如果檢測的以大目標為主，追求速度，倒也是個不錯的選擇。其他的三種網路，在此基礎上，不斷加深加寬網路，ap精度也不斷提公升，但速度的消耗也在不斷增加。目前使用下來，yolov5s的模型十幾m大小，速度很快，線上生產效果可觀，嵌入式裝置可以使用。在相同...
yolov5模型框架詳解
yolov5和yolov4很像 mosaic資料增強 1 每次讀取四張。2 分別對四張進行翻轉 縮放 色域變化等，並且按照四個方向位置擺好。3 進行的組合和框的組合 對於小目標的檢測效果還是很不錯的 自適應錨框計算 在yolo演算法中，針對不同的資料集，都會有初始設定長寬的錨框。在網路訓練中，網路在...