YOLO v5算法详解

1、YOLO v5网络结构

2、输入端

3、Backone网络

4、Neck网络

5、Head网络

1、YOLO v5网络结构

图 1 YOLO v5网络结构图

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：

**CBL：**由Conv+BN+Leaky_relu激活函数组成

**Res unit：**借鉴ResNet网络中的残差结构，用来构建深层网络

**CSP1_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

**CSP2_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

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

**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

2、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