yolov5详解（一）

一直想对yolov5做一个总结，趁着现在不忙，总算是有机会了。正题开始：

yolov5网络结构部分

一：输入部分处理
1、数据增强—Mosaic数据增强

-Mosaic借鉴Cutmix数据增强技术，使用4张图像进行拼接，使得模型在更小范围内识别到目标。
步骤：
1.随机选取图片拼接基准点坐标，随机选取4张图片
2.四张图片根据基准点。进行尺寸和缩放比例调整，放到指定尺寸的大图上
3.根据每张图像的尺寸变换方式，将映射关系对应到图片标签上
4.根据指定的横纵坐标，对大图进行拼接。处理超过边界的检测框坐标
使用数据增强的优点：
1.丰富数据集的多样性
2.增强模型的鲁棒性和泛化能力
3.有助于小目标检测效果的提升
4.增强BN归一化效果：数据变多，训练时会增加batch_size，BN计算的均值和方差会接近于整体数据的均值和方差

2、自适应锚框计算
v3和v4版本的自适应锚框计算，需要在训练之前使用单独的代码得到。而v5是把这个功能嵌入到训练代码里了，在每次训练开始时，v5会根据数据集的不同，自行计算自适应锚框。
自适应锚框计算步骤：
1.获取数据集中所有目标的框的尺寸
2.把每张图像进行等比例resize到指定大小
3.将目标框从相对坐标改到绝对坐标（坐标乘以缩放后的宽高）
4.保留宽高大于等于2个 像素的框，过滤框
5.使用k-means算法聚类得到n个anchors
6.使用遗传算法随机对anchors的宽高进行变异。如果变异后的效果好，就把变异后的结果赋值给anchors,否则就跳过，默认变异1000次。v5使用anchor_fitness方法计算得到的适应度fitness，再进行评估。

3、自适应图片缩放
在常用的目标检测算法中，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