yolov5构架和yolov3

yolov5构架和yolov4，yolov3

1.GitHub上开源的YOLOv5

代码地址：https://github.com/ultralytics/YOLOv5

预训练的检查点

模型	大小 （像素）	地图值0.5: 0.95	地图值 0.5	速度 CPU b1 (ms)	速度 V100 b1 (ms)	速度 V100 b32 (ms)	参数 (M)	FLOPs @640 (B)
YOLOv5n	640	28.0	45.7	45	6.3	0.6	1.9	4.5
YOLOv5s	640	37.4	56.8	98	6.4	0.9	7.2	16.5
YOLOv5m	640	45.4	64.1	224	8.2	1.7	21.2	49.0
YOLOv5l	640	49.0	67.3	430	10.1	2.7	46.5	109.1
YOLOv5x	640	50.7	68.9	766	12.1	4.8	86.7	205.7
YOLOv5n6	1280	36.0	54.4	153	8.1	2.1	3.2	4.6
YOLOv5s6	1280	44.8	63.7	385	8.2	3.6	12.6	16.8
YOLOv5m6	1280	51.3	69.3	887	11.1	6.8	35.7	50.0
YOLOv5l6	1280	53.7	71.3	1784	15.8	10.5	76.8	111.4
YOLOv5x6 + TTA	1280 1536	55.0 55.8	72.7 72.7	3136 -	26.2 -	19.4 -	140.7 -	209.8 -

yolov5和yolov3的特点

1.利用多尺度特征进行目标检测；先验框更丰富；

2.对象分类使用logistic代替了softmax,更适用于多标签分类任务。

3.yoloV3的损失函数分为三部分： box的损失：

 只有负责检测的gridcell中的anchor才会计入损失,对x,y,w,h分别求均方误差 置信度的损失 置信度的损失是二分类的交叉熵损失函数，所有的box都计入损失计算 分类的损失：

分类的损失是二分类的交叉熵损失，只有负责检测目标的才计算损失

4.最大的改进就是网络结构，使其更适合小目标检测  特征做的更细致，融入多持续特征图信息来预测不同规格物体 先验框更丰富了，3种scale，每种3个规格，一共9种

5. 正样本：首先计算目标中心点落在哪个grid上，然后计算这个grid对应的3个先验框（anchor）和目标真实位置的IOU值，取IOU值最大的先验框和目标匹配。那么该anchor 就负责预测这个目标，那这个anchor就作为正样本，将其置信度设为1，其他的目标值根据标注信息设置。

6.负样本：所有不是正样本的anchor都是负样本，将其置信度设为0，参与损失计算，其它的值不参与损失计算，默认为0。 FPN+PANET通过自底向上和自顶向下的方式，实现双方向的特征图融合，使得最终输出的3个特征图都具有了其他尺寸特征图的信息来提高准确。

2.yolov5构架

yolov5构架图

3.yolov5亮点

yolov5亮点增加训练难度，增强模型性能cutmix

 使用dropblock

增加标签平滑

 IOU转为CIOU

 4.YOLOV4架构图

5.YOLOV3架构图