从0开始实现目标检测——基于YOLOv5

一. 背景

在上次我们利用YOLOv3做目标检测的任务中（参考文章：从0开始实现目标检测——实践篇），我们遗留一些问题，其中一个是利用YOLOv5做一次对比，既然是对比，也就是在数据集不变的情况下，基于YOLOv5进行训练，看看整个模型的mAP是否有变化。整个过程也分为以下4步：

1. 为什么是YOLOv5 ?
2. 安装体验YOLOv5，并跑通基于公开数据训练YOLOv5
3. 基于自己的数据训练YOLOv5
4. 计算mAP

那么，我们开始吧~

二. 为什么是YOLOv5？

基于对目标检测原理的探究（参考文章：从0开始实现目标检测——原理篇），我们知道了YOLO系列的算法思想：它不使用窗口滑动，而是直接将原始图片分割成互不重合的小方块，然后通过卷积最后生产这样大小的特征图，可以认为特征图的每个元素也是对应原始图片的一个小方块，然后用每个元素来可以预测那些中心点在该小方格内的目标。

YOLO系列的算法都是基于这个思想实现的。对比YOLOv3，YOLOv5在整个神经网络分为4个部分的改进如下：

1. Input：数据加载使用了3种数据增强：缩放、色彩空间调整和马赛克增强。
2. BackBone：结合了很多先进的图像识别领域的内容和算法，包括：CSPNet、Leaky ReLU和Sigmoid 激活函数。
3. Neck：在BackBone和最后的输出层之间往往会插入一些层，这里就加入了SPP-Net、FPN+PAN结构。
4. Prediction：输出层的锚框机制和Yolov3相同，主要改进的是训练时的损失函数GIOU Loss，加快了收敛速度。

此外，YOLOv5还增加了自适应锚定框的功能，这样就不用根据不同训练数据调整锚定框的大小和位置了。

在这些改进下，YOLOv5在兼顾mAP的同时，有着更短的检测时间，同时YOLOv5s的权重文件大小只有27MB，能够更好的适应嵌入式设备和移动设备。这里有张官方的性能图参考，如下：

简单解释下YOLOv5上新增的技术点中的2个：

SPP-Net：神经网络是需要输入固定尺寸的图片，比如224x224、32x32、96x96等。这样对于我们希望检测各种大小的图片的时候，需要经过crop，或者warp等一系列操作，这都在一定程度上导致图片信息的丢失和变形，限制了识别精确度。而且，从生理学角度出发，人眼看到一个图片时，大脑会首先认为这是一个整体，而不会进行crop和warp，所以更有可能的是，我们的大脑通过搜集一些浅层的信息，在更深层才识别出这些任意形状的目标。SPP-Net对这些网络中存在的缺点进行了改进，基本思想是，输入整张图像，提取出整张图像的特征图，然后利用空间关系从整张图像的特征图中，在池化层中提取各个区域的特征。一个正常的深度网络由两部分组成，卷积部分和全连