yolov5论文_进击的后浪yolov5深度可视化解析

AI编辑：深度眸

0 摘要

论文：暂无
github: https://github.com/ultralytics/yolov5
我注释版本:

https://github.com/hhaAndroid/yolov5-comment

    关于yolov5是否应该赋予这个名称，网上众说纷纭，[如何评价YOLOv5？]讨论非常热烈，在最近的[小麦检测比赛]上也有讨论。作为技术人员，我对此不进行评论，但是由于其在各个数据集上体现出收敛速度快，模型可定制性强的特点，故还是非常有必要深入研究下源码。    本文从可视化角度结合源码进行分析，需要特别注意的是：yolov5还在快速迭代中，可能后续改动非常大，所以我仅仅以当前最新版本也就是2020.08.07时候clone的版本为例进行分析。我增加了很多注释，如果需要我新增注释以及可视化部分代码的人，可以点击注释版本github。    yolov5和前yolo系列在网络设计方面差别不大，如果要说差别的话，那就是在loss设计上面和前yolo系列存在较大差别，后面会细说。简单概述来说整个yolov5就是：通过应用类似EfficientNet的channel和layer控制因子来灵活配置不同复杂度的模型，并且在正负样本定义阶段采用了跨邻域网格的匹配策略，从而得到更多的正样本anchor，加速收敛。    网上也出现了一些yolov5的解析，但是我觉得要么写的太简单，要么没有分析到真正核心地方，故才有了这篇文章。通过对代码详细分析，并配合可视化gt和anchor分析，方便理解算法核心思想。由于本人水平有限，可能有理解错误的地方，烦请指正，谢谢。

1 整体设计

1.1 模型设计

    yolov5的整体模型和yolov4差别很小，主要特点是灵活度比yolov4更高。yolov4典型结构是cspdarknet53+panet+spp+yolov3 head

• YOLOv4

  • The model in YOLOv4 paper.

  • Backbone - CSPDarknet53 with Mish activation

  • Neck - PANet with Leaky activation

  • Plugin Modules - SPP

    如果对yolov4网络结构不太清楚的，可以参考知乎文章[https://zhuanlan.zhihu.com/p/143747206](这位作者也出了yolov5的结构解析)，为了方便分析，从里面截一张图，如有侵权，请联系我删除：

整个yolov4网络结构其实是非常清晰的，而yolov5基本没有啥变化，具体差别后面会写，先简单分析下yolov4结构：

    (1) CSPDarknet53，CSP就是CSPNet论文里面跨阶段局部融合网络，仿照的是Densenet密集跨层跳层连接思想，但是考虑到内存消耗过大，故修改为部分局部跨层融合做法，图示如上所示

    (2) neck模块采用的是PANet和增强模块SPP。SPP结构非常容易理解，就是不同kernel size的pool操作进行融合，在yolov3的改进版中也有应用，对整个运行速度影响很小，但是效果提升明显。而PANet是FPN结构的改进版本，目的是加快信息之间的流通，具体细节可以参考想读懂YOLOV4，你需要先了解下列技术(二)

    (3) head部分没有任何改动，和yolov3和yolov4完全相同，也是三个输出头，stride分别是8,16,32，大输出特征图检测小物体，小输出特征图检测大物体

    yolov5的模型构建仿照了darknet中采用的cfg模式，即通过配置文件来构建网络，但是考虑到da