YOLO算法之YOLOv5

一、什么是YOLOv5？

参考学习：

了解YOLO: https://baijiahao.baidu.com/s?id=1664853943386329436&wfr=spider&for=pc
		  https://zhuanlan.zhihu.com/p/25236464

了解目标检测（推荐）：https://www.bilibili.com/video/BV1m5411A7FD

  “YOLO”是一个对象检测算法的名字，YOLO将对象检测重新定义为一个回归问题。它将单个卷积神经网络(CNN)应用于整个图像，将图像分成网格，并预测每个网格的类概率和边界框。YOLO非常快。由于检测问题是一个回归问题，所以不需要复杂的管道。它比“R-CNN”快1000倍，比“Fast R-CNN”快100倍。YOLOv5是YOLO最新的版本。

  在接下来的文章中，我使用的是比较新的版本，YOLOv5-5.0，具有四个输出层，而非三个，其使用PyTorch编写的(PyTorch是一个开源的Python机器学习库)。

二、YOLO目标检测技术发展史

1、发展历程一览

------图片来源于百度百科

2、各版本差异

参考学习：
https://blog.csdn.net/Prepared/article/details/107294961
https://blog.csdn.net/qq_40716944/article/details/114822515?spm=1001.2014.3001.5501

	首先通过特征提取网络对输入图像提取特征，得到一定大小的特征图，比如13*13
（相当于416*416图片大小 ），然后将输入图像分成13*13个grid cells

➢ YOLOv3/v4: 如果GT中某个目标的中心坐标落在哪个grid cell中，那么就由
该grid cell来预测该目标。每个grid cell都会预测3个不同尺度的边界框 。

➢ YOLOv5: 不同于yolov3/v4，其GT可以跨层预测，即有些bbox在多个预测
层都算正样本；匹配数范围可以是3-9个。

	预测得到的输出特征图有两个维度是提取到的特征的维度，比如13*13，还有一个
维度（深度）是 B*(5+C)

➢ 注：B表示每个grid cell预测的边界框的数量 （YOLO v3/v4中是3个）；
C表示边界框的类别数（没有背景类，所以对于VOC数据集是20）； 5表示
4个坐标信息和一个目标性得分（objectness score）

损失函数包括：
• classification loss, 分类损失
• localization loss, 定位损失（预测边界框与GT之间的误差）
• confidence loss, 置信度损失（框的目标性；objectness of the box）
总的损失函数：
classification loss + localization loss + confidence loss

三、YOLOv5网络结构和组件

  目前目标检测领域的深度学习方法主要分为两类：two stage 的目标检测算法；one stage 的目标检测算法。前者是先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类；后者则不用产生候选框，直接将目标边框定位的问题转化为回归问题处理。正是由于两种方法的差异，在性能上也有不同，前者在检测准确率和定位精度上占优，后者在算法速度上占优。

YOLOv5 包括
• Backbone: Focus, BottleneckCSP, SPP
• Head: PANet + Detect (YOLOv3/v4 Head)

参考学习(必读)：
https://zhuanlan.zhihu.com/p/172121380

注：这部分内容其实我并不很懂，也只是看个大概，大致了解，因为我主要是简单了解下，然后直接使用这个开源项目实现我想要的一个功能，并不是去深入学习。自己当前的主要技术积累还是在嵌入式Linux这块，AI这块之后有时间才会去逐步学习。

本文章参考了百度百科，他人技术文章以及哔哩哔哩免费教程，综合整理而来，如有侵权联系删除，小白一个，欢迎大家指导交流！