YOLO系列目标检测算法-YOLOv5

YOLO系列目标检测算法目录

1. YOLO系列目标检测算法总结对比
2. YOLOv1
3. YOLOv2
4. YOLOv3
5. YOLOv4
6. Scaled-YOLOv4
7. YOLOv5- 文章链接
8. YOLOv6- 文章链接
9. YOLOv7- 文章链接

---

本文总结：
YOLOv5相比YOLOv4做的改进：

1. 激活函数修改为SiLU
2. 新增缩放系数，模型深度系数(model depth multiple)和宽度缩放系数(layer channel multiple)，用于方便扩展或缩放模型
3. 修改第一层卷积为Conv2d(3, 64, kernel_size=(6, 6), stride=(2, 2), padding=(2, 2), bias=False)，YOLOv4中最大卷积核为3，前两层用了两次3×3卷积
4. 输入图片从608变成640
5. BottleneckCSP[1,3,15,15,7,7,7]修改成C3[3,6,9,3]
6. CSPSPP修改成SPPF
7. BottleneckCSP2修改使用C3
8. 测试时数据增强TTA
9. 修改框回归公式，能匹配到更多的anchor

---

深度学习知识点总结

专栏链接:
https://blog.csdn.net/qq_39707285/article/details/124005405
此专栏主要总结深度学习中的知识点，从各大数据集比赛开始，介绍历年冠军算法；同时总结深度学习中重要的知识点，包括损失函数、优化器、各种经典算法、各种算法的优化策略Bag of Freebies (BoF)等。

---

---

7. YOLO系列目标检测算法-YOLOv5

7.1 模型结构

  YOLOv5(v6.0/6.1)由以下各部分构成：Backbone、Neck、Head。

7.1.1 Backbone

• 整体结构

backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

• Conv结构

class Conv(nn.Module):
    # Standard convolution with args(ch_in, ch_out, kernel, stride, padding, groups, dilation, activation)
    def __init__(self, c1, c2, k=1, s=1, p=None, g=1, d=1, act=True):
        super().__init__()
        self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p, d), groups=g, dilation=d, bias=False)
        self.bn = nn.BatchNorm2d(c2)
        self.act = nn.SiLU() if act is True else (act if isinstance(act, nn.Module) else nn.Identity())

    def forward(self, x):
        return self.act(self.bn(self.conv(x)))

• C3结构
  

• C3中的Bottleneck结构
  

• SPPF结构
  

7.1.2 Neck

• SPPF
• NEW CSP-PAN

7.1.3 Head

   Head采用YOLOv3 Head。

7.1.4 整体结构

7.2 数据增强

• Mosaic
• Copy-Paste
• Random affine(Rotation, Scale, Translation and Shear)
• MixUp
• Albumentations
• Augment HSV(Hue, Saturation, Value)
• Random horizontal flip
• TTA(Test Time Augmentation)

   TTA，就是在图片预测时，将一张图片通过翻转、缩放为多张图片，然后对多张图片的检测结果进行合并，这样能够提高目标检测性能，但会增加时间效果。实现代码如下：

def _forward_augment(self, x):
        img_size = x.shape[-2:]  # height, width
        s = [1, 0.83, 0.67]  # scales
        f = [None, 3, None]  # flips (2-ud, 3-lr)
        y = []  # outputs
        for si, fi in zip(s, f):
            xi = scale_img(x.flip(fi) if fi else x, si, gs=int(self.stride.max()))
            yi = self._forward_once(xi)[0]  # forward
            # cv2.imwrite(f'img_{si}.jpg', 255 * xi[0].cpu().numpy().transpose((1, 2, 0))[:, :, ::-1])  # save
            yi = self._descale_pred(yi, fi, si, img_size)
            y.append(yi)
        y = self._clip_augmented(y)  # clip augmented tails
        return torch.cat(y, 1), None  # augmented inference, train

def scale_img(img, ratio=1.0, same_shape=False, gs=32):  # img(16,3,256,416)
    # Scales img(bs,3,y,x) by ratio constrained to gs-multiple
    if ratio == 1.0:
        return img
    h, w = img.shape[2:]
    s = (int(h * ratio), int(w * ratio))  # new size
    img = F.interpolate(img, size=s, mode='bilinear', align_corners=False)  # resize
    if not same_shape:  # pad/crop img
        h, w = (math.ceil(x * ratio / gs) * gs for x in (h, w))
    return F.pad(img, [0, w - s[1], 0, h - s[0]], value=0.447)  # value = imagenet mean

   如下图所示，每次推理时会增强成三张图片：

7.3 训练策略

• Multi-scale training(0.5~1.5x)
• AutoAnchor(For training custom data)
• Warmup and Cosine LR scheduler
• EMA(Exponential Moving Average)
• Mixed precision
• Evolve hyper-parameters

7.4 损失函数

  YOLOv5的损失计算由以下三部分组成：

• Classes loss(BCE loss)
• Objectness loss(BCE loss)
• Location loss(CIoU loss)
  $$Loss={\lambda }_1{L}_{cls}+{\lambda }_2{L}_{obj}+{\lambda }_3{L}_{loc}$$

  不同预测层（P3、P4、P5）的目标损失使用不同地平衡加权系数，分别为4.0、1.0和0.4。
$$L_{obj}=4.0\cdot L_{obj}^{small}+1.0\cdot L_{obj}^{medium}+0.4\cdot L_{obj}^{large}$$

7.5 Eliminate Grid Sensitivity

  在YOLOv2和YOLOv3中，用于计算预测目标信息的公式为：
$$\begin{array}{rl}& b_x=\sigma (t_x)+c_x\\ & b_y=\sigma (t_y)+c_y\\ & b_w=p_w\cdot e^{t_w}\\ & b_h=p_h\cdot e^{t_h}\end{array}$$

  在YOLOv5中公式修改为：
$$\begin{array}{rl}& b_x=(2\cdot \sigma (t_x)-0.5)+c_x\\ & b_y=(2\cdot \sigma (t_y)-0.5)+c_y\\ & b_w=p_w\cdot (2\cdot \sigma (t_w){)}^2\\ & b_h=p_w\cdot (2\cdot \sigma (t_h){)}^2\end{array}$$

  修改前后中心点偏移对比如图所示：

  从图中可以看出，中心点偏移值范围从（0,1）调整到（-0.5,1.5）。因此，偏移值可以很容易地得到0或1。

  比较调整前后的高度和宽度比例（相对于anchor）。原始的yolo/darknet box方程有一个严重的缺陷。宽度和高度完全是无界的，因为它们只是$out=exp(in)$，这是危险的，因为它可能导致梯度失控、不稳定性、loss为NaN等，最终完全失去训练效果。而YOLOv5中新设计的公式就不会出现这种问题，如下图所示。

7.6 Build Targets

  YOLOv5中正样本匹配过程如下：

• 计算GT和anchor的纵横比
  $$\begin{array}{rl}& r_w=w_{gt}/w_{at}\\ & r_h=w_{gt}/h_{at}\\ & r_w^{max}=max(r_w,1/r_w)\\ & r_h^{max}=max(r_h,1/r_h)\\ & r^{max}=max(r_w^{max},r_h^{max})\\ & r^{max}<ancho{r}_t\end{array}$$

  具体匹配过程如下图所示：

• 将成功匹配的anchor分配给相应的单元格

• 因为中心点偏移范围从(0,1)调整到(-0.5,1.5)。GT框可以分配给更多的anchor