Yolov5总结文档（理论、代码、实验结果）.pdfVIP

Yolov5总结⽂档（理论、代码、实验结果）

前前⾔⾔

作者⼁

来源⼁

3D视觉⼯坊整理，⽂章仅于学术分享。

本篇⽂章是对Yolo-v5的⼀个总结，全⽂⼀共分为四个部分。

第⼀个部分主要介绍Yolo-v5的结构以及相对于之前版本的⼀些改进；

第⼆部分是对Yolo-v5代码主要部分的解读，包括如何更换backbone的细节；

第三部分给出了两次实验的结果和在测试集上的表现；

最后⼀部分是我对Yolo-v5的简要总结和思考。

⼀⼀、、Yolo-v5结结构构

⾸先我⼀张图来简单说明Yolo-v5的前向过程：

Yolo-v5相较于Yolo-v4来说改动不是特别⼤，最主要的区别在于对于anchor的处理机制，这个机制我觉得也是让Yolo-v5收敛快的核⼼，

另外Yolo-v5的loss与之前的Yolo系列也有些差别，接下来我从输⼊、Backbone、Neck、Loss四个部分来介绍Yolo-v5的结构。

1.输输⼊⼊

⾸先对于数据增强，Yolov5的输⼊端采了和Yolov4⼀样的Mosaic数据增强的⽅式，Yolov3则没有采这种数据增强，Mosaic的具体

细节不在这⾥过多阐述，不过这种⽅式的数据增强对于⼩⽬标的检测有⽐较⼤的提升。

不同于Yolov4的是，Yolov5在选定锚框⽐时采了⾃适应锚框计算，此前的Yolov3和Yolov4都是先采聚类算法在数据集中预先训练，

选好9个anchor的宽⾼，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锚框值。

在train.py中的参数说明中，“noautoanchor”参数便是来控制该操作，设置为ture则启⾃适应anchor机制，设置为false则采给

定的anchor。

2.Backbone(以以Yolov5s为为例例)

Backbone部分Yolov5与Yolov4并没有太⼤区别，主要的区别在于Yolov5在输⼊之后增加了⼀个Fcos，我对于Fcos的理解是它其实就和

Yolov2中的PassThrough-Layer类似，为了⽅便我借鉴⼀张⽹上的图⽚来理解：

在⼀个channel上进⾏上图的操作，最终的channel数是原featuremap的四倍。相⽐于Yolov4，还有⼀个不同的地⽅是Yolov5设计了两

种CSP结构，分别在了Backbone和neck部分，CSP结构涉及到了depth_multiple和width_multiple两个参数，这两个参数使得整个

Backbone的设计能够更加灵活，具体细节会在代码部分进⾏说明。

3.Neck

Yolov5的neck部分到了上⾯提到的CSP结构，我觉得⽬的就是为了能够更好地与前⾯⽹络提取的特征进⾏融合，其余地部分就与

Yolov4没有区别，主要FPN+PAN来进⾏下采样和上采样，给出三个不同尺度的featuremap，来进⾏预测。

4.Loss

Yolov5相较于之前的版本，最⼤的改动就在这个部分，⽽这个部分最⼤的改动就是对于正样本anchor区域的计算。在之前的Yolo系列中，

对于每⼀个groundtruth（后⾯简称为gt），都有⼀个唯⼀的anchor与其对应，⽽这个anchor选择的⽅式就是选与gt的IOU最⼤的那个

anchor，不考虑⼀个gt对应多个anchor的情况。

Yolov5采的匹配规则是：计算bbox和当前层anchor的宽⾼⽐，若宽⾼⽐⼤于设定的阈值，则该anchor与bbox不匹配，丢弃该bbox，

认为其为负样本。剩下的bbox，计算它落在哪个⽹格内并要寻找出相邻的两个⽹格，认为这三个⽹格都可能是来预测该bbox的，这就和之

前的Yolo系列有很⼤不同，单从这⾥来看现在的正样本anchor数量⽐以前⾄少增加3倍之多。也正是因为如此，对于⼀个bbox，那么⾄少

有3个anchor进⾏匹配。

对于loss函数的计算，总体还是分为三部分：类别损失、置信度损失和定位损失，在类别损失和置信度损失上仍然采BCEloss，这与

Yolov3和Yolov4相同，但是对于定位损失，即w、h、x、y的loss，采了GIoU-loss。整个loss函数的定义我整理为如下表达式：

⼆⼆、、修修改改Backbone

Yolov5的源码中，是将yolov5s的结构封装在“y