yolov4、yolov5学习笔记（up， 霹雳吧）
YOLOV4
一、网络结构
1.Backbone：cspDarknet53
CSPDarknet53采用cspdensenet结构，resblock依旧像yolov3一样
2.Neck：SPP, PAN
spp多尺度融合， 分别将短接， 5x5最大池化， 9x9最大池化， 13x13最大池化concat拼接
PAN,先下采样，再上采样，经过yolo曾输出
3.Head:YOLOv3
二、优化策略
1.消除graid敏感度， 计算下，x,y,w,h
当GT box 中心落到grid cell边界上的时候，tx需要接近无穷，这时候容易发生数值爆炸，计算困难。所以通过缩放sigmoid函数的范围，使函数值更容易取到0.
同时它的区间也缩放到了【-0.5， 1.5】之间。
增加了搜索范围，将距离边界距离gt box中心小于1.5的grid cell，列入搜索范围，只是上下左右搜寻。如果该grid cell中的anchor， iou满足超参数要求，则列为正样本，增加了样本的均衡，有利于训练。
2.更新了anchors模板参数
但是yolov5中依旧使用了yolov3中的anchors模板
YOLOV5
一、网络结构
1.Backbone: New CSP-Darknet53
2.Neck: SPPF, New CSP-PAN
SPPF,将之前并行运算改成了串联， 减少了运算参数，提升了一倍的运算速度。
两个5x5卷积核替代一个9x9卷积核
三个5x5卷积核替代13x13卷积核
3.Head: YOLOv3 Head
二、数据增强
1.Mosaic
将四张图片拼在一起
2.cope paste
将实例分割的图像粘贴到别的背景中。
3.random affine
旋转， 平移， 缩放， 剪切sheer
4.mix up
将两张图片一一定透明度混合
5.Albumentations
传统视觉方法， 如果有这个库，则训练的时候开启，如果没有，默认关闭。requirments.txt文件中，默认注释掉了。
滤波、直方图均衡化以及改变图片质量等等
6.Augment HSV (Hue, Saturation, Value)
色度， 饱和度， 亮度
7.- Random horizontal fli
水平翻转
三、训练策略
Multi-scale training(0.5~1.5x) 多尺度训练
AutoAnchor(For training custom data)
自己数据集， 图片尺寸， 长宽比差距大， 可以通过聚合自动生成新的anchor
Warmup and Cosine LR scheduler
学习率， 先慢慢增长到预设的学习率， 然后再以cos函数衰减
EMA(Exponential Moving Average)
Mixed precision 混合精度训练， 可以提升训练速度，.half()
Evolve hyper-parameters 超参数，默认用人家的
四、损失计算
1.损失主要包括三个部分
分类损失
object损失（ciou）
定位损失
2.平衡不同尺度损失
小尺度物体难以监测， 所以损失比例因子大， 同理大尺度小
3.消除grid敏感度问题同yolov4