YOLOv5深度解析：从网络结构到训练策略

YOLOv5深度解析：从网络结构到训练策略

引用

CSDN

1.

https://blog.csdn.net/weixin_43334693/article/details/129312409

YOLOv5是目前最流行的实时目标检测算法之一，具有速度快、精度高、部署方便等特点。本文将从网络结构、输入端处理、Backbone、Neck、Head以及训练策略等多个方面对YOLOv5进行详细解读，帮助读者更好地理解其工作原理和实现方式。

前言

YOLOv5是目前最流行的实时目标检测算法之一，具有速度快、精度高、部署方便等特点。与之前的YOLO版本相比，YOLOv5在多个方面进行了改进和优化，使其在实际应用中表现更佳。值得注意的是，YOLOv5并没有发表正式的论文，这可能是因为其作者Glenn Jocher还在完善和优化算法。

YOLOv5的网络结构

YOLOv5主要有YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四个版本，它们的结构基本相同，但深度和宽度不同。YOLOv5s是其中最小的版本，其他版本都是在此基础上不断加深和加宽。YOLOv5的网络结构主要包括以下几个部分：

• 输入端：包括Mosaic数据增强、自适应锚框计算和自适应图片缩放
• Backbone：包括Focus结构和CSP结构
• Neck：采用FPN+PAN结构
• Head：使用CIOU损失函数

输入端处理

Mosaic数据增强

YOLOv5在输入端采用了Mosaic数据增强，这是一种将多张图片按照一定比例组合成一张图片的数据增强方法。Mosaic数据增强的主要步骤包括：

1. 随机选取图片拼接基准点坐标（xc，yc），并随机选取四张图片
2. 四张图片根据基准点，分别经过尺寸调整和比例缩放后，放置在指定尺寸的大图的左上、右上、左下、右下位置
3. 根据每张图片的尺寸变换方式，将映射关系对应到图片标签上
4. 依据指定的横纵坐标，对大图进行拼接，并处理超过边界的检测框坐标

采用Mosaic数据增强有以下优点：

• 丰富数据集：随机使用4张图像，随机缩放后随机拼接，增加很多小目标，大大增加了数据多样性
• 增强模型鲁棒性：混合四张具有不同语义信息的图片，可以让模型检测超出常规语境的目标
• 加强批归一化层（Batch Normalization）的效果：当模型设置 BN 操作后，训练时会尽可能增大批样本总量（BatchSize），因为 BN 原理为计算每一个特征层的均值和方差，如果批样本总量越大，那么 BN 计算的均值和方差就越接近于整个数据集的均值和方差，效果越好
• 提升小目标检测性能：Mosaic 数据增强图像由四张原始图像拼接而成，这样每张图像会有更大概率包含小目标，从而提升了模型的检测能力

自适应锚框计算

YOLOv5将锚框计算功能嵌入到训练代码中，每次训练开始前都会根据数据集自适应计算锚框。具体过程包括：

1. 获取数据集中所有目标的宽和高
2. 将每张图片按照等比例缩放到指定大小
3. 将 bboxes 从相对坐标改成绝对坐标
4. 筛选 bboxes，保留宽高都大于等于两个像素的 bboxes
5. 使用 k-means 聚类得到n个 anchors
6. 使用遗传算法随机对 anchors 的宽高进行变异，变异1000次

自适应图片缩放

YOLOv5采用自适应图片缩放方式，具体步骤如下：

1. 根据原始图片大小以及输入到网络的图片大小计算缩放比例
2. 根据原始图片大小与缩放比例计算缩放后的图片大小
3. 计算黑边填充数值

需要注意的是：

• Yolov5中填充的是灰色，即（114,114,114）
• 训练时没有采用缩减黑边的方式，还是采用传统填充的方式，即缩放到416*416大小
• 为什么np.mod函数的后面用32？因为YOLOv5的网络经过5次下采样，而2的5次方，等于32。所以至少要去掉32的倍数，再进行取余。以免产生尺度太小走不完stride（filter在原图上扫描时，需要跳跃的格数）的问题，再进行取余。

Backbone

Focus结构

Focus模块在YOLOv5中是图片进入Backbone前，对图片进行切片操作，具体操作是在一张图片中每隔一个像素拿到一个值，类似于邻近下采样，这样就拿到了四张图片，四张图片互补，长得差不多，但是没有信息丢失，这样一来，将W、H信息就集中到了通道空间，输入通道扩充了4倍，即拼接起来的图片相对于原先的RGB三通道模式变成了12个通道，最后将得到的新图片再经过卷积操作，最终得到了没有信息丢失情况下的二倍下采样特征图。

以YOLOv5s为例，原始的640 × 640 × 3的图像输入Focus结构，采用切片操作，先变成320 × 320 × 12的特征图，再经过一次卷积操作，最终变成320 × 320 × 32的特征图。

切片操作如下：

作用：可以使信息不丢失的情况下提高计算力

不足：Focus 对某些设备不支持且不友好，开销很大，另外切片对不齐的话模型就崩了。

后期改进：在新版中，YOLOv5 将Focus 模块替换成了一个 6 x 6 的卷积层。两者的计算量是等价的，但是对于一些 GPU 设备，使用 6 x 6 的卷积会更加高效。

CSP结构

YOLOv5借鉴了CSPNet的设计思路，在主干网络中设计了CSP结构。与YOLOv4不同的是，YOLOv4中只有主干网络使用了CSP结构，而YOLOv5中设计了两种CSP结构，以YOLOv5s网络为例，CSP1_ X结构应用于Backbone主干网络，另一种CSP2_X结构则应用于Neck中。

Neck

YOLOv5的Neck结构与YOLOv4类似，都采用FPN+PAN的结构。但是YOLOV4的Neck结构中，采用的都是普通的卷积操作，而YOLOV5的Neck中，采用CSPNet设计的CSP2结构，从而加强了网络特征融合能力。

结构如下图所示，FPN层自顶向下传达强语义特征，而PAN塔自底向上传达定位特征：

Head

Bounding box损失函数

YOLO v5采用CIOU_LOSS作为bounding box 的损失函数。（关于IOU_ Loss、GIOU_ Loss、DIOU_ Loss以及CIOU_Loss的介绍，请看YOLOv4那一篇：【YOLO系列】YOLOv4论文超详细解读2（网络详解））

NMS非极大值抑制

NMS 的本质是搜索局部极大值，抑制非极大值元素。非极大值抑制，主要就是用来抑制检测时冗余的框。因为在目标检测中，在同一目标的位置上会产生大量的候选框，这些候选框相互之间可能会有重叠，所以我们需要利用非极大值抑制找到最佳的目标边界框，消除冗余的边界框。

算法流程：

1. 对所有预测框的置信度降序排序
2. 选出置信度最高的预测框，确认其为正确预测，并计算他与其他预测框的 IOU
3. 根据步骤2中计算的 IOU 去除重叠度高的，IOU > threshold 阈值就直接删除
4. 剩下的预测框返回第1步，直到没有剩下的为止

SoftNMS：

当两个目标靠的非常近时，置信度低的会被置信度高的框所抑制，那么当两个目标靠的十分近的时候就只会识别出一个 BBox。为了解决这个问题，可以使用 softNMS。它的基本思想是用稍低一点的分数来代替原有的分数，而不是像 NMS 一样直接置零。

训练策略

1. 多尺度训练（Multi-scale training）：如果网络的输入是416 x 416。那么训练的时候就会从 0.5 x 416 到 1.5 x 416 中任意取值，但所取的值都是32的整数倍。
2. 训练开始前使用 warmup 进行训练：在模型预训练阶段，先使用较小的学习率训练一些epochs或者steps (如4个 epoch 或10000个 step)，再修改为预先设置的学习率进行训练。
3. 使用了 cosine 学习率下降策略（Cosine LR scheduler）。
4. 采用了 EMA 更新权重(Exponential Moving Average)：相当于训练时给参数赋予一个动量，这样更新起来就会更加平滑。
5. 使用了 amp 进行混合精度训练（Mixed precision）：能够减少显存的占用并且加快训练速度，但是需要 GPU 支持。

总结一下，YOLO v5和前YOLO系列相比的改进：

• (1) 增加了正样本：方法是邻域的正样本anchor匹配策略。
• (2) 通过灵活的配置参数，可以得到不同复杂度的模型
• (3) 通过一些内置的超参优化策略，提升整体性能
• (4) 和yolov4一样，都用了mosaic增强，提升小物体检测性能