本文简析YOLOv5相对于YOLOv4的改进，包括输入端的Data Augmentation、自适应锚框计算和自适应图片缩放；Backbone中的Focus和CSP结构；Neck部分的FPN+PAN结构，以及预测阶段的损失函数和NMS策略。YOLOv5在保持高性能的同时，提高了模型的灵活性和推理速度。
先说些题外话，YOLOv5没有论文，其作者是Mosaic Augmentation 的创造者，YOLO V5 在性能上稍弱于YOLO V4，但是在灵活性与速度上远强于YOLO V4，在模型的快速部署上具有极强优势。相对于YOLOv4，分别从以下三个方面简析YOLOv5的改进：
- 输入端：Data Augmentation、自适应锚框计算、自适应图片缩放
- Backbone：Focus结构，CSP结构
- Neck：FPN+PAN结构
1. 输入端
1.1 Data Augmentation主要采用的是Mosaic数据增强
其做法就是对图片使用随机缩放、随机裁剪、随机排布的方式进行拼接。优点是丰富了检测物体的背景和小目标，并且在计算Batch Normalization的时候一次会计算四张图片的数据，使得mini-batch大小不需要很大，一个GPU就可以达到比较好的效果。
1.2 自适应锚框计算
在YOLOv3和YOLOv4中，都需要提前通过K-means聚类的方法计算出anchor，此anchor是固定的。但是在YOLOv5中，虽然也提前设置了anchor，但是在训练时可以自适应的计算不同训练集中的最佳anchor，从而更新anchor值。此功能也可以手动关闭，在train.py中更改，设置为False即可。
1.3 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一缩放到一个标准尺
最低0.47元/天 解锁文章
3993
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
