來(lái)源：投稿 作者：王同學(xué)
編輯：學(xué)姐

Yolov5詳解

官方源碼倉(cāng)庫(kù)：https://github.com/ultralytics/yolov5

0 前言

截止到2022年7月，Yolov5項(xiàng)目已經(jīng)在Github上獲得了28000+個(gè)star，工業(yè)應(yīng)用也十分廣泛，基于Yolov5改進(jìn)的相關(guān)交叉學(xué)科論文也不計(jì)其數(shù)，所以了解Yolov5對(duì)找工作還是發(fā)論文都是十分有幫助的。

本篇文章主要針對(duì)Yolov5?6.1版本進(jìn)行詳解

Yolov5提供了10個(gè)不同版本的模型，他們除網(wǎng)絡(luò)的深度和寬度外并無(wú)太大差別

1 網(wǎng)絡(luò)結(jié)構(gòu)

Yolov5主要由以下幾部分組成：

• 輸入端: Mosaic數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)算

• Backbone: New CSP-Darknet53

• Neck: SPPF, FPN+PAN

• Head: YOLOv3 Head

• 訓(xùn)練策略：CIoU loss

2 輸入端

2.1 Mosaic數(shù)據(jù)增強(qiáng)

在 YOLOv5 中除了使用最基本的數(shù)據(jù)增強(qiáng)方法外，還使用了 Mosaic 數(shù)據(jù)增強(qiáng)方法，其主要思想就是將1- 4 張圖片進(jìn)行隨機(jī)裁剪、縮放后，再隨機(jī)排列拼接形成一張圖片，實(shí)現(xiàn)豐富數(shù)據(jù)集的同時(shí)，增加了小樣本目標(biāo)，提升網(wǎng)絡(luò)的訓(xùn)練速度。在進(jìn)行歸一化操作時(shí)會(huì)一次性計(jì)算 4 張圖片的數(shù)據(jù)，因此模型對(duì)內(nèi)存的需求降低。

2.2自適應(yīng)錨框計(jì)算

Yolov5每次訓(xùn)練時(shí)會(huì)自適應(yīng)的計(jì)算不同訓(xùn)練集中的最佳錨框值，從而幫助網(wǎng)絡(luò)更快的收斂。

3 Backbone

Yolov5在Backbone和Neck中用了兩種不同的CSP結(jié)構(gòu),具體可參考下圖-Yolov5網(wǎng)絡(luò)結(jié)構(gòu)圖

4 Neck

和Yolov4中一樣，都采用FPN+PAN的結(jié)構(gòu);即除了上采樣外，又增加了一部分下采樣模塊，通過(guò)這種方式可以融合更加豐富的特征

5 Head

在檢測(cè)頭方面依然采用Yolov3的檢測(cè)頭，并沒(méi)有特別的改進(jìn)

6 主要訓(xùn)練策略

• CIoU loss:在DIoU的基礎(chǔ)上增加了檢測(cè)框尺度的loss，增加了長(zhǎng)和寬的loss，這樣預(yù)測(cè)框就會(huì)更加的符合真實(shí)框

• Multi-scale training(0.5~1.5x)：多尺度訓(xùn)練。

• Warmup and Cosine LR scheduler：訓(xùn)練前先進(jìn)行Warmup熱身，然后在采用Cosine學(xué)習(xí)率下降策略。

• Mixed precision：混合精度訓(xùn)練，能夠減少顯存的占用并且加快訓(xùn)練速度。

7 損失計(jì)算

YOLOv5的損失主要由三個(gè)部分組成：

• Classes loss，分類(lèi)損失，采用的是BCE loss，注意只計(jì)算正樣本的分類(lèi)損失。?

• Objectness loss，obj損失，采用的依然是BCE loss，注意這里的obj指的是網(wǎng)絡(luò)預(yù)測(cè)的目標(biāo)邊界框與GT Box的CIoU。這里計(jì)算的是所有樣本的obj損失。?

• Location loss，定位損失，采用的是CIoU loss，注意只計(jì)算正樣本的定位損失。

在源碼中，針對(duì)預(yù)測(cè)小目標(biāo)的預(yù)測(cè)特征層（P3）采用的權(quán)重是4.0，針對(duì)預(yù)測(cè)中等目標(biāo)的預(yù)測(cè)特征層（P4）采用的權(quán)重是1.0，針對(duì)預(yù)測(cè)大目標(biāo)的預(yù)測(cè)特征層（P5）采用的權(quán)重是0.4，作者說(shuō)這是針對(duì)COCO數(shù)據(jù)集設(shè)置的超參數(shù)。

最后附上一張Yolov5的性能圖，和實(shí)際檢測(cè)效果圖（yolov5s）;

YOLO目前已經(jīng)迭代到y(tǒng)olov8了，不過(guò)想要入門(mén)，還得要從yolov1開(kāi)始學(xué)起

看下面↓↓，給你們準(zhǔn)備了學(xué)習(xí)資料啦

關(guān)注【學(xué)姐帶你玩AI】公眾號(hào)

回復(fù)“YOLO”獲取論文＆代碼數(shù)據(jù)集