目标检测 | yolov5 原理和介绍

YOLOv5是YOLO系列中一个重要的版本，它在目标检测领域具有显著的性能提升和改进。Mosaic数据增强：YOLOv5在训练阶段采用了Mosaic数据增强技术，这种技术通过将四张图片随机缩放、裁剪并拼接成一张图片，增加了模型训练时的多样性，有助于提升模型对小目标的检测能力。自适应锚框计算：YOLOv5引入了自适应锚框计算方法，该方法使用K-means聚类对训练集中的边界框进行分析，并自动调整锚框

Hero_HL

735人浏览 · 2024-08-07 18:21:55

Hero_HL · 2024-08-07 18:21:55 发布

1. 简介

YOLOv5是YOLO系列中一个重要的版本，它在目标检测领域具有显著的性能提升和改进。以下是YOLOv5中的一些关键技术或模块：

Mosaic数据增强：YOLOv5在训练阶段采用了Mosaic数据增强技术，这种技术通过将四张图片随机缩放、裁剪并拼接成一张图片，增加了模型训练时的多样性，有助于提升模型对小目标的检测能力。
自适应锚框计算：YOLOv5引入了自适应锚框计算方法，该方法使用K-means聚类对训练集中的边界框进行分析，并自动调整锚框的大小和比例，以适应不同数据集的特点。
自适应图片缩放：YOLOv5采用了letterbox自适应图片缩放技术，这种技术在保持图像宽高比的同时，将不同尺寸的图像缩放到网络输入所需的固定尺寸。
Focus结构：YOLOv5采用了Focus结构作为其Backbone的一部分，该结构通过对输入图像进行切片操作，实现了信息在通道维度上的扩展，有助于提高特征提取的效率。
CSPDarknet53主干网络：YOLOv5使用CSPDarknet53作为其主干网络，该网络通过Cross-Stage Partial connections结构减少了计算量，同时保持了特征提取的能力。
PANet（Path Aggregation Network）：YOLOv5的Neck部分采用了PANet结构，这种自顶向下的特征融合方法有助于实现多尺度特征的融合和利用。
CIoU Loss：YOLOv5在训练过程中使用了CIoU（Complete Intersection over Union）损失函数，这种损失函数考虑了边界框的中心点距离、宽高比等因素，有助于提高检测精度。
优化策略和训练过程：YOLOv5对优化器参数进行了精细控制，采用了不同的学习率和动量更新曲线，并在训练过程中使用了自动混合精度（AMP）来加速训练。
推理和后处理过程：YOLOv5在推理阶段采用了非极大值抑制（NMS）来过滤冗余的检测框，并通过设置不同的阈值来平衡召回率和精确度。

YOLOv5是Ultralytics公司开发的一个流行的开源目标检测模型，它虽然在GitHub上开源了代码，但并没有发布经过同行评议的论文。YOLOv5的命名和发布在计算机视觉社区引起了一些争议，因为它并没有得到YOLO系列原始作者的官方认可，而且发布时缺少了同行评议的论文支持。尽管如此，YOLOv5因其出色的性能和易用性，在目标检测领域得到了广泛应用。

YOLOv5的争议主要源于它与之前版本相比，并没有提供详细的技术论文来描述其技术细节和创新点。与之相对，YOLOv4在开源时，其论文得到了发表并且经过了同行评议，技术升级和效果得到了计算机视觉社区的接受和认可。YOLOv5的发布虽然缺少了论文，但Ultralytics公司在面对社区的争议时，通过博客等形式做出了回应，并提供了详细的项目介绍和使用说明。

此外，YOLOv5的实现是首次使用PyTorch而不是Darknet编写的，这使得它能够受益于已建立的PyTorch生态系统，支持更简单的部署，并方便用户在不同设备上进行模型转换和部署。尽管YOLOv5的论文可能由于公司利益原因并未发布，但它的代码库和社区支持仍然使其成为一个有价值的资源。

其核心是，YOLOv5嵌入了跨阶段部分（CSP）网络[6]，这是ResNet架构的一个变种。这种整合包括了CSP连接，提高了网络的效率并减少了计算需求。通过多个空间金字塔池化（SPP）块进一步优化了CSPNet，允许在不同尺度上进行特征提取。
架构的 Neck 特征采用了路径聚合网络（PAN）模块，并增加了上采样层以改善特征图的分辨率[7]。YOLOv5的 Head 是一系列卷积层，用于生成边界框和类别标签的预测。YOLOv5使用基于 Anchor 点的预测，将每个边界框与一组特定形状和大小的预定义 Anchor 框相连接。
损失函数计算涉及两个主要部分[8]。二进制交叉熵用于计算类别和目标性损失，而完整交并比（CIoU）用于衡量定位准确性。
最后yolov5没有论文，只有代码。

2. 网络结构

通过解析代码仓库中的 .yaml 文件中的结构代码，YOLOv5 模型可以概括为以下几个部分：

输入端：YOLOv5采用Mosaic数据增强技术，自适应锚框计算和自适应图片缩放功能。
Backbone：YOLOv5的Backbone由Focus结构、CBL（Conv+BN+Leaky ReLU）结构、CSP（Cross Stage Partial Network）结构和SPP（Spatial Pyramid Pooling）结构组成。Focus结构是YOLOv5中新加入的，用于减小计算量同时保留原始图片信息；CSP结构用于减少计算量并增强特征提取能力；SPP模块用于增加特征图的接收范围。
Neck：YOLOv5的Neck部分采用了FPN（Feature Pyramid Network）和PAN（Pyramid Attention Network）结构，用于从不同主干层对不同的检测层进行参数聚合，增强目标的位置和类别信息的保留。
Head：使用了CIOU（Complete Intersection over Union）损失函数，用于更准确地预测边界框。

此外，YOLOv5的网络结构还包括了一些高级模块，如Conv（基础卷积模块）、C3（包含残差网络的模块）、SPPF（改进的SPP模块）、Upsample（上采样模块）、Concat（连接模块）和Detect（检测模块）。这些模块共同构成了YOLOv5的完整网络结构，使其能够有效地进行目标检测任务。

3. 训练和部署

增强的训练和部署：YOLOv5在其训练和部署 Pipeline 中引入了几项改进：

简化的训练流程： YOLOv5采用基于PyTorch的框架[9]，这是广泛使用且文档齐全的。这使得研究行人和开发行人更容易理解、修改和扩展代码。训练流程设计得非常用户友好，清晰的文档和示例帮助用户快速入门。
与流行框架的集成： YOLOv5支持与TensorFlow、ONNX和其他框架[10]的集成。这增强了其多功能性，使其能够在各种应用和环境中被使用。能够将模型导出为不同格式确保了与各种部署平台的兼容性。
无缝部署： YOLOv5提供导出至ONNX、CoreML和TensorRT[11]的选项，便于在各种平台和硬件加速器之间部署。对于具有不同架构的边缘设备（如NVIDIA GPU[12]、Apple设备和其他专用硬件）来说，这一特性特别有价值。无缝部署能力确保模型能够轻松集成到生产环境中。

自动增强和马赛克增强： YOLOv5融入了先进的数据增强技术：

自动增强：这种技术自动选择最佳的增强协议以提高模型的泛化能力。通过在训练期间实验不同的增强策略，自动增强帮助模型学习更鲁棒的特征，从而在未见数据上获得更好的性能[13]。这对于边缘应用尤为重要，因为模型可能会遇到各种环境和条件。
马赛克增强：马赛克增强将四张训练图像组合成一张，使模型能够学习检测更小的物体，并提高其对不同尺度和长宽比的鲁棒性[14]。这种技术在处理包含多个物体的复杂场景时非常有用，这在现实世界的边缘应用中很常见。通过向模型展示一组多样化的训练示例，马赛克增强增强了其对新情况的泛化能力。

表1展示了在COCO数据集上各种YOLOv5模型的性能指标。YOLOv5模型用不同的字母（n、s、m、l和x）表示，代表它们的大小和复杂度。提供的指标包括输入大小、在不同IoU阈值下的平均精度（AP）、在CPU上的延迟、参数数量以及每秒浮点运算数（FLOPs）。
在这里插入图片描述

4. 创新点

4.1 自适应anchor

在训练模型时，YOLOv5 会自己学习数据集中的最佳 anchor boxes，而不再需要先离线运行 K-means 算法聚类得到 k 个 anchor box 并修改 head 网络参数。总的来说，YOLOv5 流程简单且自动化了.

4.2 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。空白处填充灰色

4.3 Focus结构

Focus 结构可以简单理解为将 $W \times H$ 大小的输入图片 4 个像素分别取 1 个（类似于邻近下采样）形成新的图片，这样 1 个通道的输入图片会被划分成 4 个通道，每个通道对应的 WH 尺寸大小都为原来的 1/2，并将这些通道组合在一起。这样就实现了像素信息不丢失的情况下，提高通道数（通道数对计算量影响更小），减少输入图像尺寸，从而大大减少模型计算量。

以 Yolov5s 的结构为例，原始 $640\times640\times3$ 的图像输入 Focus 结构，采用切片操作，先变成 $320 \times 320 \times 12$ 的特征图，再经过一次 32 个卷积核的卷积操作，最终变成 $320 \times 320 \times 32$ 的特征图。
在这里插入图片描述