YoloV5原理讲解

目录

前言：

Yolov5的网络结构主要分为：

Yolov5网络结构图：

Yolov5的改进：

数据增强：

自适应锚框计算：

自适应的图像缩放:

步骤：

举例：

New CSP+Darknet53:

FPN+PAN：

SPPF:

GIOU Loss：

---

前言：

Yolov5主要分为五种网络模型（YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x):

针对于640*640：

针对于1280*1280：

Yolov5有n,m,s,l,x五种结构，主要是网络层次结构的深浅，x的网络层次和通道数最多。

Yolov5的网络结构主要分为：

1. Backbone：主要对输入图像进行特征提取。
2. Neck：主要对特征图进行多尺度特征融合，并把这些特征传递给预测层。
3. Head：进行最终的回归预测，主要负责物体检测任务中的特征提取和预测，在输入的图像上提取高层次的特征，并使用这些特征来预测图像中出现的物体的位置和类别。

Yolov5网络结构图：

以yolov5(v6.1)为例：

Yolov5的改进：

1. 输入端：数据增强、自适应锚框计算、自适应的图像缩放
2. Bockbone:New CSP+Darknet53
3. Neck：FPN+PAN、SPPF
4. Head：CIOU Loss

数据增强：

1. Mixup：将两个图合并为一张，改变透明度。
2. CutMix：选择两张图像，将图像A进行随机缩放和剪裁，粘贴到图像B上。实现掩盖的作用，使难度增加。
3. Mosaic：选择四张图像，进行随机缩放、剪裁、排布，组成一张图像。增加数据复杂性，加快训练速度。
4. Copy paste:将图像中的一部分复制到其他图像中。

自适应锚框计算：

将计算先验框高宽比的程序代码嵌入到整个训练过程中。每次训练时，代码将自动计算最佳锚框值，从而确保目标检测的准确性和性能。同时，如果用户觉得计算的锚框效果不是很好，也可以在代码中将自动计算锚框功能关闭，进行手动调整。

自适应的图像缩放:

在做推理预测时，以最小代价增加图像的边缘框，目的减少过多的冗余信息。

步骤：

1. 根据原始图片大小以及输入到网络的图片大小计算缩放比例。
2. 选择较小的缩放系数。
3. 计算需要填充的黑色区域。

举例：

已知原始图片尺寸为800×600，而输入到网络的图片尺寸为416×416。

1. 缩放比列：416/800=0.52    416/600=0.69
2. 选择较小缩放系数：0.52
3. 计算填充区域：缩放后的图片为416*312（800*0.52=416，600*0.52=312），可知需要填充宽（416-312=104）。进行取余，要求宽必须是32的倍数（图像经历了5次降维，2^5=32），104mod32=8，即图像的左右两边各填充4（8/2=4）

New CSP+Darknet53:

由上图可知，进行了激活函数的改进，并使用残差结构，既实现了计算量的降低，也更好的进行了特征融合。

FPN+PAN：

在yolov5的网络结构中采取了自上而下，自下而上的双塔结构，既得到了高层语义信息，又得到了低层细节信息，更好的进行了特征融合。

SPPF:

SPPF存在于yolov5 v6.1之后的版本中，是在SPP基础上改进的。

由上图可知，由并行的Max pool改为了串行的Max pool,速度上得到了提高。

GIOU Loss：

对边框回归损失进行优化,主要是让边框坐标和真实坐标越接近越好，其发展历程：

Smooth L1 Loss --> IOU Loss --> GIOU Loss --> DIOU Loss-->CIOU Loss

IOU Loss :检测框与目标框重叠面积，即IOU Loss=1-（交集/并集）。但是当两个框没有交集时，IOU Loss为0，无法反映两者之间的距离大小。

GIOU Loss：在IOU的基础上，它通过计算两个框的最小外接矩形面积，再计算出IOU，然后计算矩形面积中不属于两个框的区域占矩形面积的比重，最后用IOU减去这个比重得到GIOU。

DIOU Loss：在IOU和GIOU的基础上，增加了中心点归一化距离，解决了目标框完全包裹预测框时GIOU无意义的问题。

CIOU Loss：在DIOU的基础上，它增加了预测框长宽比和目标框长宽比之间的关系进行添加，提升了损失函数的抑制效果，加强了待测目标的统一性。

 总结：

yolov5系列不同的版本之间主要的框架结构都是相同的，只是根据不同的需要，在细节部分有所不同，比如使用的激活函数不同，或者是更换了不一样的边框回归损失函数等操作。