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，網路在初始錨框的基礎上輸出**框，進而和真實框groundtruth進行比對，計算兩者差距，再反向更新，迭代網路引數。
因此初始錨框也是比較重要的一部分，比如yolov5在coco資料集上初始設定的錨框：
3）自適應縮放
在常用的目標檢測演算法中，不同的長寬都不相同，因此常用的方式是將原始統一縮放到乙個標準尺寸，再送入檢測網路中。
比如yolo演算法中常用416*416，608*608等尺寸，比如對下面800*600的影象進行縮放。
yolov5的**中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。
yolov5現在的neck和yolov4中一樣，都採用fpn+pan的結構，但在yolov5剛出來時，只使用了fpn結構，後面才增加了pan結構，此外網路中其他部分也進行了調整。
因此，大白在yolov5剛提出時，畫的很多結構圖，又都重新進行了調整。
yolo 系列的損失計算是基於 objectness score, class probability score,和 bounding box regression score.
yolo v5使用 giou loss作為bounding box的損失。
yolo v5使用二進位制交叉熵和 logits 損失函式計算類概率和目標得分的損失。同時我們也可以使用fl _ gamma引數來啟用focal loss計算損失函式。
yolo v4使用 ciou loss作為bounding box的損失，與其他提到的方法相比，ciou帶來了更快的收斂和更好的效能。
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...
目標檢測 YOLOv5（八）
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...