Yolov5 学习记录

（1）输入端：Mosaic数据增强、自适应锚框计算，自适应图像缩放 主要是训练阶段的增强
（2）Backbone：融合其他模型的思想 Focus结构，CSP结构
（3）Neck：FPN+PAN结构
（4）Prediction：输出和之前类似主要 损失函数GIOU_Loss 和预测框损失 DIOU_nms 

Mosaic数据增强则采用了4张图片，随机缩放、随机裁剪、随机排布的方式进行拼接，形成一张大的图片，可以丰富数据集的同时极大的提升网络的训练速度。

针对不同的数据集，都会有初始设定长宽的锚框。

在初始锚框的基础上输出预测框，进而和真实框groundtruth进行比对，计算两者差距，再反向更新，迭代网络参数。

输出端

1）Bounding box损失函数

Yolov5中采用其中的GIOU_Loss做Bounding box的损失函数

2）nms非极大值抑制

针对很多目标框的筛选，通常需要nms操作。Yolov4在DIOU_Loss的基础上采用DIOU_nms的方式，而Yolov5中仍然采用加权nms的方式。