YOLOv5简析

先说些题外话，YOLOv5没有论文，其作者是Mosaic Augmentation 的创造者，YOLO V5 在性能上稍弱于YOLO V4，但是在灵活性与速度上远强于YOLO V4，在模型的快速部署上具有极强优势。相对于YOLOv4，分别从以下三个方面简析YOLOv5的改进：

• 输入端：Data Augmentation、自适应锚框计算、自适应图片缩放
• Backbone：Focus结构，CSP结构
• Neck：FPN+PAN结构

1. 输入端

1.1 Data Augmentation主要采用的是Mosaic数据增强
其做法就是对图片使用随机缩放、随机裁剪、随机排布的方式进行拼接。优点是丰富了检测物体的背景和小目标，并且在计算Batch Normalization的时候一次会计算四张图片的数据，使得mini-batch大小不需要很大，一个GPU就可以达到比较好的效果。
1.2 自适应锚框计算
在YOLOv3和YOLOv4中，都需要提前通过K-means聚类的方法计算出anchor，此anchor是固定的。但是在YOLOv5中，虽然也提前设置了anchor，但是在训练时可以自适应的计算不同训练集中的最佳anchor，从而更新anchor值。此功能也可以手动关闭，在train.py中更改，设置为False即可。

1.3 自适应图片缩放
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。比如Yolo算法中常用416×416，608×608等尺寸，比如对下面800*600的图像进行变换。

但Yolov5代码中对此进行了改进，也是Yolov5推理速度能够很快的一个不错的trick。作者认为,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。 因此在Yolov5代码中datasets.py的letterbox函数中进行了修改，对原始图像自适应的添加最少的黑边。

2. Backbone
2.1 Focus结构

2.2 CSP结构
Yolov4网络结构中，借鉴了CSPNet的设计思路，在主干网络中设计了CSP结构。

Yolov5与Yolov4不同点在于， Yolov4中只有主干网络使用了CSP结构 ，而 Yolov5中设计了两种CSP结构，以Yolov5s网络为例，以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。

3. Neck
Yolov5现在的Neck和Yolov4中一样，都采用FPN+PAN的结构，但在Yolov5刚出来时，只使用了FPN结构，后面才增加了PAN结构，此外网络中其他部分也进行了调整。

但如上面CSPNet中讲到， Yolov5和Yolov4的不同点在于，Yolov4的Neck中，采用的都是普通的卷积操作。而Yolov5的Neck结构中，采用借鉴CSPNet设计的CSP2结构，加强网络特征融合的能力。
4. prediction
4.1 Bounding box 损失函数
YOLOv5中Bounding box的损失函数提供了IOU、GIOU、DIOU、CIOU，目前效果最好的是CIOU，如果有兴趣的可以试试去年新出的alpha-IOU，这是在CIOU的基础上进行改进的。
4.2 NMS
YOLOv5提供了多种NMS，例如weight-nms，diou-nms，soft-nms等，这些在一定程度上都可以解决遮挡问题，但是可能会带来一些推理时延。YOLOX也是使用了NMS，一开始YOLOX的作者使用的是end2end方式（即无nms），最后发现会掉点。
5. Yolov5四种网络结构的不同点
Yolov5代码中的四种网络，和之前的Yolov3，Yolov4中的cfg文件不同，都是以yaml的形式来呈现。
而且四个文件的内容基本上都是一样的，只有最上方的depth_multiple和width_multiple两个参数不同。