yolov5模型原理

        YOLOv5 在骨干网络上采用了 Focus、C3Net。针对 Backbone 和 Detect head YOLOv5 设计了两种不同的 C3Net。Yolov5 与 Yolov4 不同点在于，Yolov4 中只有主干网络使用了 CSP 结构，而 Yolov5 中设计了两种 C3Net 结构，以 Yolov5l 网络为例，C3_X 结构应用于 Backbone 主干网络，另一种C3_1 结构则应用于 Neck 中，加强了网络特征融合的能力。如下图所示YOLOv5 网络框架。制了Yolov5s整体的网络结构图。配合netron的可视化网络结构查看，脑海中的架构会更加清晰

由上图可知，YOLO v5主要由输入端、Backone、Neck以及Prediction四 部分组成。

其中： (1) Backbone：在不同图像细粒度上聚合并形成图像特征的卷积神经网 络。

(2) Neck：一系列混合和组合图像特征的网络层，并将图像特征传递到预 测层。

 (3) Head： 对图像特征进行预测，生成边界框和并预测类别。

下面介绍YOLO v5各部分网络包括的基础组件：

（1）CBL：由Conv+BN+Leaky_relu激活函数组成

（2）Res unit：借鉴ResNet网络中的残差结构，用来构建深层网络

（3）CSP1_X： 借鉴CSPNet网络结构，该模块由卷积层和X个Res unint模块 Concate组成而成

（4）Focus：首先将多个slice结果Concat起来，然后将其送入CBL模块中

（5）CSP2_X：借鉴CSPNet网络结构，该模块由CBL模块、Res unint模块以及 卷积层Concate组成

（6）Focus：首先将多个slice结果Concat起来，然后将其送入CBL模块中

（7）SPP：采用1×1、5×5、9×9和13×13的最大池化方式，进行多尺度特征融合

输入端详解

        YOLO v5使用Mosaic数据增强操作提升模型的训练速度和网络的精度；并 提出了一种自适应锚框计算与自适应图片缩放方法

2.1Mosaic数据增强

        Mosaic数据增强利用四张图片，并且按照随机缩放、随机裁剪和随机排布 的方式对四张图片进行拼接，每一张图片都有其对应的框，将四张图片拼接之 后就获得一张新的图片，同时也获得这张图片对应的框，然后我们将这样一张 新的图片传入到神经网络当中去学习，相当于一下子传入四张图片进行学习了。该方法极大地丰富了检测物体的背景，且在标准化BN计算的时候一下子计 算四张图片的数据，所以本身对batch size不是很依赖

2.2 自适应锚框计算

        在yolo系列算法中，针对不同的数据集，都需要设定特定长宽的锚点框。 在网络训练阶段，模型在初始阶段，模型在初始锚点框的基础上输出对应的预 测框，计算其与GT框之间的差距，并执行反向更新操作，从而更新整个网络的 参数，因此设定初始锚点框是比较关键的一环。 在yolo V3和yolo V4中，训练不同的数据集，都是通过单独的程序运行来获 得初始锚点框。 而在yoloV5中将此功能嵌入到代码中，每次训练，根据数据集的名称自适 应的计算出最佳的锚点框，用户可以根据自己的需求将功能关闭或者打开，指 令为：

   

parser.add arqument('--noautoanchor',action='store true',help='disable autoanchor check')

2.3 自适应图片缩放

        在目标检测算法中，不同的图片长宽都不相同，因此常用的方式是将原始 图片统一缩放到一个标准尺寸，再送入检测网络中。而原始的缩放方法存在着 一些问题，由于在实际的使用中的很多图片的长宽比不同，因此缩放填充之 后，两端的黑边大小都不相同，然而如果填充的过多，则会存在大量的信息冗 余，从而影响整个算法的推理速度。为了进一步提升YOLO v5的推理速度，该 算法提出一种方法能够自适应的添加最少的黑边到缩放之后的图片中