YOLOv5网络详解

原视频链接

YOLOv5网络详解_哔哩哔哩_bilibili

网络结构

 网络结构：

Backbone:New CSP-Darknet53

Neck:SPPF,New CSP-PAN

Head:YOLOv3 Head

将Focus模块替换成了6*6的普通卷积层。

两者的功能相同，但后者的效率更高

将SPP换为SPPF

 数据增强-Copy paste(复制粘贴)

 将不同图片中的目标给复制粘贴在一起

使用注意：每个图片当中必须有目标实例分割的标签

数据增强-Random affine(随机仿射变换)

 旋转、缩放、平移、错切

数据增强-Mixup(混合)

将两张图片按照一定的透明程度混合为一张新的图片

 数据增强-Albumentations

滤波、直方图均衡化以及改变图片质量等等

数据增强-Augment HSV(Hue,Saturation,Value) 

增强色度、饱和度、明暗度

 数据增强-Random horizontal flip(随机水平翻转)

 训练策略

• 多尺度训练（0.5~1.5x）
• 自动根据数据集的目标重新聚类生成新的anchor
• 训练初期将学习率从一个非常小的值慢慢增长到设置的初始学习率
• 给学习变量增加了一个动量，这样我们在更新参数的时候就会更加的平滑一些
• 混合精度训练

损失计算部分

Classes loss，分类损失，采用的是BCE loss，注意只计算正样本的分类损失

Objectness loss,obj损失，采用的是BCE loss，注意这里的obj指的是网络预测的目标边界框与GT BOX的IoU。这里计算的是所有样本的obj损失

Location Loss，定位损失，采用的是CIoU Loss，注意只计算正样本的定位损失

 

 小型目标更难预测，所以权重更大

消除Grid敏感度

 

 

 Anchor Template和GT在宽高方面的差异，在4倍以内就匹配成功

根据中心点的位置去获取对应的Grid cell(与YOLOv4相同)