Yolov5系列是Yolo家族新一代的模型，相比于之前的版本Yolov3和Yolov4，相同的是，它依然采用锚框（anchor）对目标的尺寸进行回归的思想，保持大中小多种尺度特征输出，所不同的是，Yolov5系列在损失函数设计、网络结构方面，以及特征输出后处理方面有所改变。得益于Yolov5在网络结构和数据增强方面的革新，使得其在推理速度和推理精度比起前作都有所提升。
目前官方已经把Yolov5更新到第六个版本，该版本下有6种预定义的模型可以使用，这些模型依据计算和参数量级分为微量级、小量级、中量级、大量级、超大量级，其定义的文件分别是，yolov5n、yolov5s、yolov5m、yolov5l、yolov5x。通常而言，针对较为简单的目标检测任务，轻量级的模型完全可以胜任，而对于移动端和边缘检测，使用yolov5n和yolov5s将会是不错的选择。下面就对Yolov5模型整体的网络结构进行简单的描述。
如图1所示，Yolov5是一种端到端的单阶段检测模型，它大概可以分为五大部分，其每一个部分的作用如下：
（1）输入部分（Input）
输入部分其实就是图片前处理阶段，包括了图片的读取和解压、数据增强（缩放、平移、翻转、投影、混合、错切、加马赛克等）。如果选择自动生成锚框操作，这一部分还会根据便签自适应生成合适的锚框。
（2）骨干网络部分（Backbone）
骨干网络部分是网络的提取特征的主要部分，它可以提取出高、中、低三种层次的特征。在迁移学习中，这一部分的权重会被迁移到新的模型当中当做初始化权重，且在新模型的训练过程中，该部分权重通常会被冻结而不会被梯度下降所更新。
（3）瓶颈网络部分（Neck）
瓶颈网络部分，顾名思义，由一系列瓶颈结构的模块组成，该部分的网络特点是，特征的尺寸变化，像瓶颈一样，先减小一半，然后再恢复到原来的尺寸，这一样既可以减少计算量，又可以增加特征的提取能力。该部分的作用是将个层次的特征进行融合，以提取出大、中、小的特征图。
（4）检测头部分（Head）
检测头部分对目标的位置进行回归，生成目标的中心坐标，依据锚框生成目标的宽度和高度，以及最终目标和分类的置信度。
（5）损失函数部分（Loss）
损失函数部分只有在训练期间其运作，它的作用是根据预测结果和真值的偏差，计算出当前模型的损失函数，为反向传播误差，利用梯度下降法更新权重数据。