【YOLO-v5学习笔记】

先附上一张大神画的模型结构图，按着模型的结构进行学习。

一、input端

1、Mosaic数据增强：

（1）思想：采用与Yolov4一样的Mosaic数据增强，参考了2019年底提出的CutMix数据增强的方式，但CutMix只使用了两张图片进行拼接，而Mosaic数据增强则采用了4张图片，通过随机缩放、随机裁剪、随机排布的方式对图片进行处理再拼接到一张图上作为训练数据。

（2）优点：①丰富数据集：许多数据集中，小、中、大目标的占比并不均衡，小目标数量较少，采用随机scale的trick增加了小目标，使得网络鲁棒性更好；②减少GPU：Mosaic进行训练时，四张图片拼接在一起，可以直接计算4张图片的数据，变相地提高了batch_size，在进行batch normalization的时候也会计算四张图片，所以对本身batch_size不是很依赖，单块GPU就可以训练。

（3）缺点：如果数据集本身就有很多的小目标，那么Mosaic数据增强会导致本来较小的目标变得更小，导致模型的泛化能力变差。

2、自适应锚框：

（1）思想：在Yolo算法中，针对不同的数据集都会有初始设定长宽的锚框。在网络的训练过程中，网络在初始锚框的基础上输出预测框，然后和真实框groundtruth进行比对，计算两者差距，再反向更新，迭代网络参数。在Yolov3、Yolov4中，训练不同的数据集时，计算初始锚框的值是通过单独的程序运行的。但Yolov5中将此功能嵌入到代码中，每次训练时，自适应的计算不同训练集中的最佳初始锚框值。

（2）方式：K-means聚类。YOLO的框的标注格式为，通过K-means计算anchor boxes的width和height。先计算yaml文件给的anchor，如果bpr(best possible recall，最佳召回率)小于0.98，则重新计算anchor，当最佳召回率大于或等于0.98，则不需要更新anchor。步骤：①计算每个bounding box与所有聚类中心的距离1-iou，选择最近的那个聚类中心作为它的类别②使用每个类别簇的均值作为下次迭代计算的类别中心。（代码：https://www.cnblogs.com/yxyun/p/14253168.html）

3、自适应图片缩放：

（1）思想：在常用的目标检测算法中，不同的图片长宽都不相同，因此常用的方式是将原始图片统一缩放到一个标准尺寸，再送入检测网络中。但在项目实际使用时，很多图片的长宽比不同，因此缩放填充后，两端的黑边大小都不同，而如果填充的比较多，则存在信息冗余，影响推理速度。于是对YOLOv5进行了改进，对原始图像自适应的添加最少的黑边。

（2）优点：图像高度上两端的黑边变少了，在推理时，计算量也会减少，目标检测速度得到提升。

二、Backbone

1、Focus结构：是YOLOv5才提出来的结构，相较于v3、v4的创新，关键在于切片操作。

（1）思想：将原始图像二倍间隔采样：每隔一个像素拿到一个值，相当于对原始特征重排。相当于对原始图像进行了下采样。

（2）优点：提高感受野，将w-h面上的信息转到通道维度，保证信息未丢失。与v3相比计算量和计算速度有提升。用作者的观点来说就是，用一个focus层替代三个普通下采样卷积层，减少计算量和参数量。但是也有学者认为，在数据集比较简单的情况下，focus的引入也只是起到了锦上添花的作用。

2、CSP结构：YOLOv4中只有主干网络使用了CSP结构(Cross Stage Paritial)，而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。

（1）CSP1_X：将原输入分成两个分支，一个分支进行卷积操作使得通道数减半，另一个分支进行残差操作，然后concat两个分支，使得输入与输出是一样的大小，同时也让模型学习到更多的特征。

（2）CSP2_X：CSP2_X相对于CSP1_X来说，不一样的地方只有CSP2_X将Resunit换成了2 * X个CBL。

（3）优点：①将梯度的变化集成到特征图中，因此减少了模型的参数量和FLOPS数值，既保证了推理速度和准确率，又减小了模型尺寸；②有效缓解梯度消失问题（因为通过非常深的网络很难去反推丢失信号）

三、Neck：借鉴PANet的FPN+PAN结构（自顶向下+自底向上）

1、FPN+PAN结构

（1）FPN：将高层语义信息传递下来，使得所有尺度下的特征都有丰富的语义信息。（Backbone的浅层网络提取目标边缘等底层特征，深层网络构建高级语义信息。）FPN让高级语义融合到稍浅层网络。

（2）PAN：由于FPN缺少定位信息，其采用自底向上的方式又将定位信息传回去。

2、SPP模块：使用k={1*1,5*5,9*9,13*13}的最大池化的方式，将不同尺度的特征图进行Concat操作，进行多尺度特征融合，提高感受野，丰富了特征图的表达能力，有利于待检测图像中目标大小差异较大的情况。

四、损失函数：包括位置损失、置信度损失以及分类损失

YOLOv5 采用了BECLogits 损失函数计算分类损失，置信度损失采用了交叉熵损失函数(BCEclsloss)，bounding box采用了GIOU Loss。代码实际用Focaloss计算了非损失和置信度损失。

五、预测：得到许多密密麻麻的预测框之后，采用非极大抑制去除多余的预测框，然后去初添加的灰条，最后绘制预测框，显示结果。

参考：

https://zhuanlan.zhihu.com/p/172121380

https://www.cnblogs.com/yxyun/p/14253168.html

学习也不是很透彻，有部分为个人理解，若有错误欢迎指正~~~