YOLOv5从入门到部署之：初识YOLOv5

1 YOLOv5

在YOLOv4发布不到50天，“YOLOv5” 就问世了并且官方介绍的性能效果可以说相当好。只可惜YOLOv5当前只公布了代码没有相关的论文，只能通过YOLOv5的代码来了解其算法。其链接如下：

https://github.com/ultralytics/yolov5

严格来讲，这里提到的YOLOv5可以视为YOLOv4.5，但是我们依然会介绍YOLOv5，这是因为：

（1）YOLOv5不仅是各种tricks的组合，更关键的是它的实现方式由darknet转为了pytorch，这样就更便于使用和各种魔改。

（2）如下图是YOLOv5在COCO2017val上与EfficienetDet性能比较图，同等AP情况下比EfficientDet快非常多，这也说明了人工设计出来的网络不会比搜索出的网络差。

 

不过YOLOv5没有论文，对初学者不是很友好，这里推荐大家阅读《图解目标检测》系列文章。关注公众号后，后台回复"检测"即可获取。

2 结构设计

Yolov5的结构采用单阶段检测的结构，结构图如上图所示，其主要分为五个阶段：

• Input：图像输入端并且进行了数据处理。Mosaic、Cutout、矩阵训练。

• Backbone：提取出高中低层的特征，使用了CSP、Fcous、Leaky ReLU等。

• Neck：将各层次的特征进行融合提取出大中小的特征图。

• Head：进行最终检测部分，在特征图上应用锚定框，并生成带有类概率、对象得分和包围框的最终输出向量。

• Loss：计算预测结果与ground truth的Loss，反向传播更新模型的参数。

Yolov5各个阶段大量整合了目标检测领域的State-of-the-art，其代码结构如下：

 

3 Next

接下来，《YOLOv5从入门到部署》系列将会结合YOLOv5的代码介绍以下内容，通过代码学习Yolov5算法、部署以及如何训练自己的数据集。

• 配置与初始化超参

• 数据读取与扩增

• 网络和损失设计

• 实践：训练自己的数据集并部署

   

 

---

 

学术交流

如果你平时遇到任何困扰你已久、或面试中的遇到目标检测等相关问题，可以加群（扫码下方二维码，备注互助群，就会拉入群），告诉我们，统一记录在《Question List》中。尽力帮助大家解决难题，真正解决问题的那种！

 

下载1

在【AI约读社】公众号后台回复：目标检测，即可获取《图解目标检测》链接