Yolov5理论学习笔记

算法创新分为三种方式
第一种：面目一新的创新，比如Yolov1、Faster-RCNN、Centernet等，开创出新的算法领域，不过这种也是最难的。
第二种：守正出奇的创新，比如将图像金字塔改进为特征金字塔。
第三种：各种先进算法集成的创新，比如不同领域发表的最新论文的tricks，集成到自己的算法中，却发现有出乎意料的改进。

对象检测网络的通用架构：

1）Backbone -形成图像特征。
2）Neck：对图像特征进行混合和组合，生成特征金字塔
3）Head：对图像特征进行预测，应用锚定框，生成带有类概率、对象得分和边界框的最终输出向量。

【Yolov5网络结构图】
可视化结构图：

不同网络的宽度：
V5x: 367MB，V5l: 192MB，V5m: 84MB，V5s: 27MB，YOLOV4: 245 MB

四种Yolov5结构在不同阶段的卷积核的数量都是不一样的，因此直接影响卷积后特征图的第三维度
Yolov5s第一个Focus结构中：最后卷积操作时，卷积核的数量是32个，特征图的大小变成304×304×32。
而Yolov5m：卷积操作使用了48个卷积核，特征图变成304×304×48。
…后面卷积下采样操作也是同样的原理

不同网络的深度：

四种网络结构中每个CSP结构的深度都是不同的
CSP1结构主要应用于Backbone中：
Yolov5s的CSP1：使用了1个残差组件，CSP1_1。
Yolov5m：使用了2个残差组件，CSP1_2。
Yolov5l，使用了3个残差组件，
Yolov5x，使用了4个残差组件。

主要的不同点：
（1）输入端：Mosaic数据增强、自适应锚框计算、自适应图片缩放
（2）Backbone：Focus结构，CSP结构
（3）Neck：FPN+PAN结构
（4）Prediction：GIOU_Loss

【输入端】
①数据增强：
Mosaic数据增强
②自适应锚定框Auto Learning Bounding Box Anchors
网络在初始锚框的基础上 基于训练数据 输出预测框，因此初始锚框也是比较重要的一部分。见配置文件*.yaml， yolov5预设了COCO数据集640×640图像大小的锚定框的尺寸:

每次训练时，自适应的计算不同训练集中的最佳锚框值。如果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。具体操作为train.py中下面一行代码，设置成False

③自适应图片缩放
在常用的目标检测算法中，一般将原始图片统一缩放到一个标准尺寸，再送入检测网络中。Yolo算法中常用416416，608608等尺寸。因为填充的比较多，会存在信息冗余，所以yolov5对原始图像自适应的添加最少的黑边。
【Backbone】
①Focus结构

以Yolov5s的结构为例，原始608x608x3的图像输入Focus结构，采用切片操作，先变成304x304x12的特征图，再经过一次32个卷积核的卷积操作，最终变成304x304x32的特征图。

②CSP结构
作者认为推理计算过高的问题是由于网络优化中的梯度信息重复致,CSPNet(Cross Stage Paritial Network, 跨阶段局部网络)，主要从网络结构设计的角度解决推理中计算量很大的问题。
Yolov5中设计了两种CSP结构，以Yolov5s网络为例，CSP1_X结构应用于Backbone主干网络，另一种CSP2_X结构则应用于Neck中。

【Neck】
FPN+PAN，网络特征融合的能力更强

PAN（路径聚合网络）借鉴了图像分割领域PANet的创新点
该作者认为在对象检测中，特征融合层的性能非常重要，根据谷歌大脑的研究，[BiFPN]才是特征融合层的最佳选择。谁能整合这项技术，很有可能取得性能大幅超越。

【输出端】
①Activation Function
在 YOLO V5中，中间/隐藏层使用了 Leaky ReLU 激活函数，最后的检测层使用了 Sigmoid 形激活函数
②nms非极大值抑制
在同样的参数情况下，将nms中IOU修改成DIOU_nms。对于一些遮挡重叠的目标，会有一些改进。
③Optimization Function
YOLO V5的作者为我们提供了两个优化函数Adam和SGD，并都预设了与之匹配的训练超参数。默认为SGD。
④Cost Function
loss = objectness score+class probability score+ bounding box regression score
YOLO V5使用 GIOU Loss作为bounding box的损失。
YOLO V5使用二进制交叉熵和 Logits 损失函数计算类概率和目标得分的损失。同时我们也可以使用fl _ gamma参数来激活Focal loss计算损失函数。

参考文献:

https://blog.csdn.net/qq_41375609/article/details/112059670