YOLOv5 的个人理解

相比前代的改进

YOLOv5其实就是YOLOv4的工程化的版本，v5版本并没有对v4版本进行大规模的改进创新，所以有人称v5是v4.5。v5或者是v4的版本改进我觉的是一下几点。

1. 数据增强。采用了马赛克数据增强，就是从train的数据集中选择四张图片，在一张大图上的一定范围随机选择中心点，在中心点的左上，左下，右上，右下放置一张图片。这样做在一定程度上增加了batch size，四合一图片吗。当然，四张图片上面的label也要做相应的更新；
2. DropBlock机制。防止过拟合很常用的方法就是Dropout，即随机杀死一些神经元，DropBlock则是随机杀死一片区域的神经元。例如，之前是把狗狗图片的眼睛一个像素点删掉了，现在是整个眼睛都删掉了；
3. Label Smoothing。让标签平滑一些，目的是让神经网络不那么自信。例如，softmax的结果：（1,0）->[1,0]*(1-0.1)+0.05=[0.95,0.05]；
4. 损失函数：
   边框回归：采用了CIoU
   Objectness（置信度损失）：采用了BCEWithLogitsLoss和CIoU
   分类损失：采用了交叉熵损失函数BCEWithLogitsLoss
   三种损失平衡：边框：Objectness：分类=0.05：1：0.5
   三个检测层的损失平衡是：4.0, 1.0, 0.4对应8,16,32的输出层
   
   在GitHub的yolov5代码中，lbox表示边框回归，lobj表示置信度损失，lcls表示分类损失，我对主要的compute_loss函数做注释如下：

def compute_loss(p, targets, model):  # predictions, targets, model
    device = targets.device
    lcls, lbox, lobj = torch.zeros(1, device=device), torch.zeros(1, device=device), torch.zeros(1, device=device)   # 初始化各个部分损失
    tcls, tbox, indices, anchors = build_targets(p, targets, model)  # 经过坐标变换获得标签分类，边框，索引，anchor
    h = model.hyp  # hyperparameters

    # Define criteria BCELoss（损失函数） 该类主要用来创建衡量目标和输出之间的二进制交叉熵的标准，BCEWithLogitsLoss 这个loss类将sigmoid操作和与BCELoss集合到了一个类
    BCEcls = nn.BCEWithLogitsLoss(pos_weight=torch.Tensor([h['cls_pw']])).to(device)
    BCEobj = nn.BCEWithLogitsLoss(pos_weight=torch.Tensor([h['obj_pw'