YOLOV5学习笔记（三）——网络组件详解

目录

1 各模块的作用

1.1 Focus：减少运算量

​编辑 1.2 CSPNet跨阶段局部网络

1.3 SPP空间金字塔池化

1.4 PANet

2 损失函数

2.1 类别预测

2.2 定位损失

2.2.1 GIOU LOSS

2.2.2 DIOU LOSS

2.2.3 CIOU LOSS

2.2.4 目标框回归

---

1 各模块的作用

1.1 Focus：减少运算量

1.2 CSPNet跨阶段局部网络

1.3 SPP空间金字塔池化

最大池化一般会导致特征图的减小，需要填充使特征图大小一样，最后拼接。可以增加感受野。

1.4 PANet

不同尺度进行融合时，最大和最小比较难融合，所以有个上采样和下采样，比较好融合。

2 损失函数

分类损失

定位损失

置信度损失

总的损失函数：classification loss+ localization loss + confidence loss

YOLOv5使用二元交叉熵损失函数计算类别概率和目标置信度得分的损失

YOLOv5使用CIOU loss作为bounding box回归的损失

2.1 类别预测

2.2 定位损失

2.2.1 GIOU LOSS

2.2.2 DIOU LOSS

考虑到框中心点的距离

损失函数可以表达为1-IOU+惩罚项

 

DIOUloss定义如下

 

2.2.3 CIOU LOSS

CIOU加入了一项宽高比的吻合度v

CIOU考虑的集合更多，yolov5默认采用CIOU

2.2.4 目标框回归

回归策略

VOC标注格式

yolo格式是基于中心点和目标框的宽高，并且归一化

Anchor给出了目标宽高的初始值，需要回归的是目标真实宽高与初始宽高的偏移量，偏移值是0时候，得到的就是预先设定的框。

 跨网格的匹配策略

可以得到更多的正样本anchor加速收敛