本文详述了YOLOv5的网络结构、数据增强、训练策略以及其他关键点，包括损失计算、不同尺度损失的平衡、消除Grid敏感度以及正样本匹配。YOLOv5在数据增强和训练策略上采用了多种技术，如Mosaic、Copy paste、多尺度训练等，以提升模型性能。损失计算由分类损失、对象性损失和定位损失三部分组成，同时针对不同尺度的损失采用了不同的权重。此外，网络结构中的改进，如颈部的PathAgg模块和预测目标中心点相对Grid网格偏移量的调整，提高了模型的准确性和训练效率。
官方源码仓库：https://github.com/ultralytics/yolov5
文章下载地址：没有
视频讲解：https://www.bilibili.com/video/BV1T3411p7zR
文章目录
0 前言
在前面我们已经介绍过了YOLOv1~v4的网络的结构，今天接着上次的YOLOv4再来聊聊YOLOv5，如果还不了解YOLOv4的可以参考之前的博文。YOLOv5项目的作者是Glenn Jocher并不是原Darknet项目的作者Joseph Redmon。并且这个项目至今都没有发表过正式的论文。之前翻阅该项目的issue时，发现有很多人问过这个问题，有兴趣的可以翻翻这个issue #1333。作者当时也有说准备在2021年的12月1号之前发表，并承诺如果到时候没有发表就吃掉自己的帽子。
(⊙o⊙)…，emmm，但这都2022年了，也不知道他的帽子是啥味儿。过了他承诺的发表期限后，很多人还去该issue下表示"关怀"，问啥时候吃帽子，下面这位大哥给我整笑了。
本来Glenn Jocher是准备要发表论文的，但至于为啥没发成作者并没有给出原因。我个人的猜测是自从YOLOv4发表后，有很多人想发这方面的文章，然后在YOLOv4上进行改动，改动过程中肯定有人把YOLOv5仓库里的一些技术拿去用了（YOLOv4论文4月出的，YOLOv5仓库5月就有了）。大家改完后发了一堆文章，那么YOLOv5的技术就被零零散散的发表到各个文章中去了。Glenn Jocher一看，这也太卷了吧，你们都把我技术写了，那我还写个锤子，直接撂挑子不干了。
当然以上都是我个人yy哈，回归正题，YOLOv5仓库是在2020-05-18创建的，到今天已经迭代了很多个大版本了，现在（2022-3-19）已经迭代到v6.1了。所以本篇博文讲的内容是针对v6.1的，大家阅读的时候注意看下版本号，不同的版本内容会略有不同。前几天我在YOLOv5项目中向作者提了一个issue #6998，主要是根据当前的源码做了一个简单的总结，然后想让作者帮忙看看总结的内容是否有误，根据作者的反馈应该是没啥问题的，所以今天就来谈谈我个人的见解。下表是当前(v6.1)官网贴出的关于不同大小模型以及输入尺度对应的mAP、推理速度、参数数量以及理论计算量FLOPs。
Model
size
(pixels)
mAPval
0.5:0.95
mAPval
0.5
Speed
CPU b1
(ms)
Speed
V100 b1
(ms)
Speed
V100 b32
(ms)
params
(M)
FLOPs
@640 (B)
YOLOv5n
640
28.0
45.7
45
6.3
0.6
1.9
4.5
YOLOv5s
640
37.4
56.8
98
6.4
0.9
7.2
16.5
YOLOv5m
640
45.4
64.1
224
8.2
1.7
21.2
49.0
YOLOv5l
640
49.0
67.3
430
10.1
2.7
46.5
109.1
YOLOv5x
640
50.7
68.9
766
12.1
4.8
86.7
205.7
YOLOv5n6
1280
36.0
54.4
153
8.1
2.1
3.2
4.6
YOLOv5s6
1280
44.8
63.7
385
8.2
3.6
12.6
16.8
最低0.47元/天 解锁文章
7万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
