【YOLO系列】YOLO V5模型详解

前言

        以下内容仅为个人在学习人工智能中所记录的笔记，先将目标识别算法yolo系列的整理出来分享给大家，供大家学习参考。

        本文未对论文逐句逐段翻译，而是阅读全文后，总结出的YOLO V5的思路与实现路径。

        若文中内容有误，希望大家批评指正。

---

资料下载

        项目地址：YOLO V5_v6

回顾：

        YOLO V1：【YOLO系列】YOLO V1论文思想详解

        YOLO V2：【YOLO系列】YOLO V2论文思想详解

        YOLO V3：【YOLO系列】 YOLOv3论文思想详解

        YOLO V4：【YOLO系列】 YOLOv4论文思想详解

---

        YOLO V5是是Glenn Jocher等人研发，它是Ultralytics公司的开源项目，没有相关论文。

---

        YOLOv5根据参数量分为了YOLOv5n（Nano）、YOLOv5s（Small）、YOLOv5m（Medium）、YOLOv5l（Large）和 YOLOv5x（Extra Large）五种类型，其参数量依次上升，当然了其效果也是越来越好。从2020年6月发布至2022年11月已经更新了7个大版本，在v7版本中还添加了语义分割的功能。

        本文以YOLOv5_v6为媒介，对YOLOv5进行学习。

        YOLO V5的5个pt文件的参数如下所示：

YOLOv5n summary: 213 layers, 1867405 parameters, 0 gradients, 4.5 GFLOPs

YOLOv5s summary: 213 layers, 7225885 parameters, 0 gradients, 16.4 GFLOPs

YOLOv5m summary: 290 layers, 21172173 parameters, 0 gradients, 48.9 GFLOPs

YOLOv5l summary: 367 layers, 46533693 parameters, 0 gradients, 109.0 GFLOPs

YOLOv5x summary: 444 layers, 86705005 parameters, 0 gradients, 205.5 GFLOPs

---

一、YOLO V5_v6思想

        1、在训练阶段，YOLO V5使用Mosaic数据增强来提升模型的训练速度和网络精度，自适应锚框计算（YOLO V2提出，详情可看：【YOLO系列】YOLO V2论文思想详解，【YOLO系列】 速看！YOLOv3中如何使用K-Means聚类算法生成Anchor Box）。

        2、在Backbone网络中，YOLO V5改进了YOLO V4的CSPDarkNet53网络，使用SiLu激活函数代替了YOLO V4中的Mish激活函数。

        3、在Neck网络中，YOLO V5使用SPPF替代了YOLO V4中的SPP模块来融合不同尺度大小的特征图。同时，利用自底向上的PAN特征金字塔提升网络的特征提取能力。

        4、YOLO V5的Head依然和YOLO V4一样使用了YOLO V3的head并没有做特别的改进。

        5、模型在训练前，先进行了Warmup热身，然后在采用了CosineAnnealingLR学习率下降的策略，让学习率随epoch的变化图类似于cos变化。

---

二、YOLO V5_v6模型结构

        YOLO V5现在已经更新到v7，但是每个版本的核心架构都是大差不差的。

        在v1~v4的版本，YOLOV5的Backbone几乎没有变化，最多是每个卷积后激活函数变了，并且都只是用了两次upsample来输入特征图来做detect；

        从v5开始，模型neck的深度变大了，也就是做了三次upsample来输出特征图做最后的预测；

        到v6，模型删除foucs，将SPP替换成了SPPF；

        v7版本又加上了语义分割的功能，其余的变化并不大。

        接下来我把v1~v6版本的模型结构都给出来，供大家参考，每个版本均有yolov5s为基础。

1、YOLO V5粗略图

        （1）v1~v4

        （2）v5~v6

2、YOLO V5详细图

        （1）v3

        v2和v1就是把下图中CONV模块中的激活函数换成LeakyReLU即可

        （2）v4

        （3）v5

        （4）v6

---

关注公众号，获取200+本Python、人工智能相关学习资料