YOLOv5 解读版本1——2020.8.20

YOLOv4 vs. YOLOv5

data augmentation

传统增强+

1. CutOut
   在CNN第一层随机扔掉某一块
2. Hide and seek
3. MixUp
   按权重把两张图加一起
4. CutMix
   cutout的区域加入另一张图的目标，应对遮挡问题，识别堆叠的目标物体
5. Mosaic马赛克
   四张图片随机拼接成大图，缩放识别小物体缓解；batch压力

class label smoothing

引入均匀分布的噪声，平滑label，把类间距离放得更远了（原本只关注类内，不关注类间）

对比

YOLOv3 使用FPN

YOLOv4 使用PAN

使用SPP，（ROI Pooling的前身），但是是针对全图的，且输出三种固定的尺寸（ROI pooling是针对RPN的输出的）
PANNet
FPN特征金字塔；把高分辨率的浅层特征再加到深层部分，增强深层的位置信息（深层本来是丢失很多位置特征的）

CSP Net
网络变小时如何提高学习能力
是DenseNet升级
concat代替resnet中的add操作，特征复用，减少网络结构中的参数。带来的问题是梯度下降时特征重用，学习能力降低
csp解决方式，把每层卷积分成两部分，进行了一些复杂的组合，使梯度组合最大。

Mish激活函数
小于0是更加平滑

YOLOv5 使用

LeakyRelu+Sigmoid激活函数

Dropout更适应于全连接层，对卷积层Dropout影响小。（只去掉一个点，对卷积结果影响较小）
升级为DropBlock，随机对某个区域的2x2都丢弃，（而不是按一个点的随机去丢弃）

各种Loss，以IOU为基础的各种loss
577赞的知乎