COCO128数据集上YOLOv5-7.0的性能表现对比

目录

· YOLOv5简介

一、输入与预处理

二、特征提取主干网络（Backbone）

三、多尺度特征融合

四、多尺度预测头部（Head）与损失函数

五、模型变种与扩展应用

· YOLOv5 train.py中部分参数解释

· 不同模型大小在COCO128数据集上进行实验

· 总结

---

YOLOv5简介

YOLOv5是一种高效、实时的目标检测算法，其设计理念秉承“一次看（You Only Look Once）”原则，旨在实现高效率与准确性之间的平衡。相较于传统的多阶段检测方法，YOLOv5采用端到端的单阶段框架，直接从整幅图像中预测边界框及其对应的类别概率，从而大大提升了推理速度。

一、输入与预处理

YOLOv5接收原始图像作为输入，首先对其进行尺度调整、归一化等预处理操作，确保数据的一致性和适配性。这一阶段可能还包括特定的数据增强技术，如Mosaic拼接，这是一种创新的数据增广手段，通过随机选取四张图像并按照一定规则拼接成一幅新的复合图像，有效模拟了复杂场景布局和目标尺度多样性，显著提升了模型的泛化性能。

二、特征提取主干网络（Backbone）

YOLOv5采用了一种轻量级且计算高效的Backbone结构：CSPDarknet53以提取图像的多层级特征表示。Backbone通常采用跨阶段局部连接（Cross-Stage Partial Network, CSP）结构来减少计算复杂度，同时保持对目标特征的有效捕捉。

三、多尺度特征融合

在Backbone之后，YOLOv5构建了一个多层次的特征金字塔结构，通过融合不同深度的特征图，确保模型对不同尺度目标的敏感度。这一过程可能涉及SPP（空间金字塔池化）模块，它通过不同大小的池化窗口提取多尺度上下文信息；或者PANet（路径聚合网络），它通过自底向上和自顶向下的信息传递路径实现跨尺度特征交互。

四、多尺度预测头部（Head）与损失函数

YOLOv5设计了多个预测头部，每个头部负责在不同尺度的特征图上生成候选边界框（Anchor boxes）并预测其属性。这些属性包括边界框的中心坐标、宽高、类别概率以及一个表示框内是否存在物体的置信度得分。模型采用多任务损失函数进行联合训练，包括：

分类损失：衡量模型对每个候选框所属类别的预测准确度，通常采用交叉熵损失。

定位损失：用于优化边界框位置的回归，YOLOv5采用改进的IoU损失函数，如GIoU或CIoU，它们考虑了预测框与真实框的重叠区域及非重叠区域，提高了回归的稳定性。

置信度损失：鼓励模型准确估计候选框内是否包含目标物体。

五、模型变种与扩展应用

YOLOv5提供多个模型规模版本（n、s、m、l、x），允许用户根据实际任务需求在精度与速度之间进行权衡。这些变种通过调整网络深度（depth_multiple）和宽度（width_multiple）参数来改变模型复杂度。此外，YOLOv5的结构灵活性使得其易于适应特定领域的定制与改进，例如通过添加任务相关的层、修改损失函数或调整网络结构以应对特定物体检测任务。

YOLOv5的总体结构图

YOLOv5模型结构

from                n       params        module                          arguments                     
  0                -1  1      1760  models.common.Conv                   [3, 16, 6, 2, 2]              
  1                -1  1      4672  models.common.Conv                   [16, 32, 3, 2]                
  2                -1  1      4800  models.common.C3                     [32, 32, 1]                   
  3                -1  1     18560  models.common.Conv                   [32, 64, 3, 2]                
  4                -1  2     29184