介绍
YOLOv5 是由 Ultralytics 公司开发的一个目标检测模型，它不是由原始 YOLO 系列的作者 Joseph Redmon 提出的。尽管如此，YOLOv5 在社区中非常受欢迎，并且由于其易于使用、快速迭代和良好的性能而被广泛采用。
主要特点
-
模型大小与速度的平衡
YOLOv5 提供了多个预训练模型（YOLOv5n, YOLOv5s, YOLOv5m, YOLOv5l, YOLOv5x），用户可以根据自己的硬件条件选择不同大小的模型。较小的模型如 YOLOv5n 和 YOLOv5s 更适合于移动设备或资源受限的环境，而较大的模型则提供了更高的精度。
-
数据增强
- Mosaic 数据增强：YOLOv5 引入了 Mosaic 数据增强技术，这种方法将四张不同的图片拼接成一张大图进行训练，增加了样本多样性，有助于提高模型对复杂场景的理解。
- 自适应锚框计算：YOLOv5 自动根据数据集的特点调整锚框尺寸，使得模型能够更好地适应不同的数据集。
- 改进的网络结构
- Focus 结构：这是 YOLOv5 中独特的输入层设计，通过切片操作将输入图像的空间分辨率减半，同时通道数增加四倍，从而有效地保留了空间信息。
- CSPNet 结构：借鉴了 CSPNet（Cross Stage Partial Network）的设计思想，在主干网络和颈部都应用了 CSP 结构，以减少计算量并提高学习效率。
- SPP 模块：空间金字塔池化（Spatial Pyramid Pooling）用于捕捉多尺度特征。
- PANet：路径聚合网络用于加强特征融合，促进了低层次的空间信息与高层次的语义信息之间的交流。
- 损失函数
YOLOv5 使用 CIOU_Loss 作为边界框预测的损失函数，这比传统的 IoU 或 GIoU 损失更能准确地反映边界框的质量。 - 优化的训练策略
- EMA (Exponential Moving Average)：指数滑动平均用于稳定训练过程，帮助模型更快收敛。
- 混合精度训练：支持 FP16 训练，可以加速训练并且减少显存占用。
- 便捷的使用体验
- PyTorch 实现：基于 PyTorch 框架，具有良好的社区支持和易用性。
- 简单易用的 API：提供简单的命令行工具和 Python API，方便用户进行推理、训练和评估。
- 丰富的文档和支持：官方提供了详细的文档、教程和示例代码，降低了入门门槛。
性能提升
YOLOv5 在多个基准数据集上展示了出色的性能，尤其是在 COCO 数据集上的平均精度（mAP）。此外，它还保持了极高的速度优势，能够在普通 GPU 上实现实时检测。
YOLOv5 代表了实时目标检测领域的最新进展之一，它结合了许多先进的技术和优化方法，在保证快速推理速度的前提下大幅提升了检测精度。这些改进使得 YOLOv5 成为了一个强大且灵活的目标检测工具，适用于广泛的计算机视觉应用场景。
详解
网络结构
普通CSP结构
C3结构
C3结构是YOLOv5网络中引入的一种创新模块，它基于CSPNet（Cross Stage Partial Network）的思想设计而成，旨在提高计算效率的同时保持甚至提升模型的性能。C3模块在YOLOv5的不同版本和层次中被广泛使用，特别是在主干网络（backbone）和颈部（neck）部分。
-
基本概念
C3 模块的核心思想是将输入特征图分为两部分：一部分直接传递到下一层，另一部分经过一系列卷积操作后再与前一部分合并。这种设计减少了计算量并促进了信息流的多样性和丰富性。 -
结构组成
- 输入分割：假设输入特征图的通道数为 C，C3 模块首先会将这些通道分成两半，即 C/2。
- 路径一（直连路径）：一半的特征图不经任何处理直接进入后续的连接步骤。
- 路径二（卷积路径）：另一半特征图则通过一个或多个卷积层进行处理。通常包括以下操作：
- 卷积层：一般采用 1×1 卷积来调整通道数，随后是 3×3 或者其他尺寸的卷积核来进行空间特征提取。
- 激活函数：如 SiLU（也称为 Swish），用于增加非线性。
- 批标准化（Batch Normalization, BN）：稳定训练过程。
- 合并：两条路径的结果通过拼接（concatenation）的方式重新组合在一起，恢复原来的通道数 C。
- 最终卷积：为了整合来自两条路径的信息，通常会在最后添加一个额外的卷积层，确保输出特征图的质量和一致性。
- 特点
- 减少计算量：通过只对一半的通道应用复杂的卷积运算，有效地降低了计算复杂度。
- 增强特征多样性：不同路径上的特征可以相互补充，增加了特征表示的多样性。
- 促进信息流动：直连路径有助于保留原始特征，而卷积路径则负责捕捉更深层次的空间关系，两者结合能够更好地传递多尺度信息。
- 应用场景
C3 结构在 YOLOv5 的主干网络中被多次重复利用，例如在 CSPDarknet53 中构建残差块时，以及在颈部（neck）部分用于特征金字塔网络（FPN）和路径聚合网络（PANet）之间的连接。这样的设计不仅提高了模型的表达能力，还使得整个架构更加紧凑高效。
数据增强
HSV变换
旋转和缩放
平移
错切
固定图片一边，对另外平行一边施加一个推力，形成变形
透视变换
mosaic
Mixup
copy paste
训练策略
损失计算
针对三个预测特征层（P3,P4,P5）上的obj损失采用不同权重。
消除Grid敏感度
匹配正样本
匹配正样本（即确定哪些预测边界框与真实边界框相匹配）是训练过程中的一个关键步骤。这个过程决定了模型如何更新其权重以更好地学习检测目标。
正样本匹配机制是一个综合考量Anchor Boxes、网格单元、多尺度预测、中心点约束等多个因素的过程。这种设计不仅提高了模型对各种尺寸对象的适应性，而且增强了检测的精度和鲁棒性。通过精心构建的正负样本匹配逻辑，YOLOv5能够在复杂的场景下有效地识别和定位目标。
- Anchor Boxes 和 Grid Cells
- Anchor Boxes：YOLOv5预定义了一系列不同尺寸和比例的锚点框（Anchor Boxes），这些锚点框用于初始化预测框的位置、宽度和高度。每个特征图上的每个网格单元都会对应一组Anchor Boxes。
Grid Cells：输入图像被划分为多个网格单元（grid cells）。每个网格单元负责预测位于该区域内的对象。
-
真实边界框分配
对于每个真实边界框（ground truth bounding box），需要找到最合适的Anchor Box来表示它。具体来说，计算所有Anchor Boxes与真实边界框之间的IoU（Intersection over Union），选择IoU最高的Anchor Box作为匹配的候选框。此外，YOLOv5还采用了动态分配策略，允许某个真实边界框可以与多个Anchor Boxes匹配，只要它们的IoU超过了设定的阈值。 -
多尺度预测
YOLOv5采用多尺度预测，这意味着它会在不同的特征层上进行预测，每个特征层对应不同大小的对象。因此，在匹配过程中，不仅要考虑哪个Anchor Box最适合，还要考虑哪个特征层最适合预测该对象。通常情况下，较大的对象由较浅层（分辨率较高）的特征图预测，而较小的对象则由较深层（分辨率较低）的特征图处理。 -
中心点约束
为了进一步确保匹配的准确性，YOLOv5引入了中心点约束规则。只有当真实边界框的中心落在某个网格单元内时，该网格单元才被认为是负责预测该对象的。这有助于避免同一对象被多个网格单元同时预测的问题，并减少了冗余预测。 -
正样本标签生成
一旦确定了哪些Anchor Boxes与真实边界框相匹配，接下来就需要为这些Anchor Boxes生成对应的标签信息。标签包括：
- 边界框坐标：相对于各自网格单元位置的x, y偏移量以及w, h的比例。
- 置信度分数：反映预测框内含有对象的概率，通常设置为1（表示确实有对象）。
- 类别概率：表示对象属于各个类别的概率分布。
