YOLO系列（五）——YOLO v5
文章目录
前言
该系列为博主自主学习YOLO系列的自我总结。本篇是对YOLOv5进行一个总结和分析。YOLOv5系列下有四种不同规模的版本，分别是YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x。本文主要以YOLOv5s为例，将网络分为Input、Backbone、Neck、Head四个部分对YOLOv5中的创新点一一分析。并且会分析YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x的不同之处。
一、Input
（1） 自适应锚框计算
之前的 YOLOv3、YOLOv4，对于不同的数据集，都会计算先验框 anchor。然后在网络训练时，网络会在 anchor 的基础上进行预测，然后输出预测框，再和标签框进行对比，最后就进行梯度地反向传播。在 YOLOv3、YOLOv4 中，训练不同的数据集时，是使用单独的脚本进行初始锚框的计算，在YOLOv5 中，则是将此功能嵌入到整个训练代码里中。所以在每次训练开始之前，它都会根据不同的数据集来自适应计算 anchor。
自适应的计算具体过程：
- 获取数据集中所有目标的宽和高。
- 将每张图片中按照等比例缩放的方式到 resize 指定大小，这里保证宽高中的最大值符合指定大小。
- 将 bboxes 从相对坐标改成绝对坐标，这里乘以的是缩放后的宽高。
- 筛选 bboxes，保留宽高都大于等于两个像素的 bboxes。
- 使用 k-means 聚类三方得到n个anchors，与v3、v4 操作一样。
- 使用遗传算法随机对 anchors 的宽高进行变异。倘若变异后的效果好，就将变异后的结果赋值给 anchors；如果变异后效果变差就跳过，默认变异1000次。这里是使用 anchor_fitness 方法计算得到的适应度 fitness，然后再进行评估。
（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。但是在实际使用时，很多图片的长宽比不同。因此缩放填充后，两端的黑边大小都不同，而如果填充的比较多，则存在信息冗余，影响推理速度。因此在Yolov5代码中datasets.py的letterbox函数中进行了修改，对原始图像自适应的添加最少的黑边。黑边计算的具体步骤如下：
1. 根据原始图片大小与输入到网络图片大小计算缩放比例
假设输入图像尺寸是800×600，初始缩放尺寸为416×416，那么初始缩放系数为416/800=0.52，416/600=0.69。选择较小的缩放系数为最终的缩放比例。
2. 根据原始图片大小与缩放比例计算缩放后的图片大小
将原始图像尺寸 * 缩放比例。800 * 0.52 = 416，600 * 0.52 = 312。
3.计算黑边填充值
将416-312=104，得到原本需要填充的高度。再采用numpy中np.mod取余数的方式，得到8个像素，再除以2，即得到图片高度两端需要填充的数值。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。
注意
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。只是在测试，使用模型推理时，才采用缩减黑边的方式，提高目标检测，推理的速度。
二、Backbone
YOLOv5网络结构图引用了博主江大白的图。可以看出，YOLOv5中Backbone的创新点在于有Focus模块和CSP1_x模块。
（1）Focus
Focus 模块，输入通道扩充了4倍，作用是可以使信息不丢失的情况下提高计算力。Focus 是在 YOLOv5 中提出来的，它先将特征图进行分块切片操作，然后再将结果 Concat 起来，再送入后面模块。以Yolov5s的结构为例，原始608×608×3的图像输入Focus结构，采用切片操作，先变成304×304×12的特征图，再经过一次32个卷积核的卷积操作，最终变成304×304×32的特征图。需要注意的是：Yolov5s的Focus结构最后使用了32个卷积核，而其他三种结构，使用的数量有所增加，先注意下，后面会讲解到四种结构的不同点。
（2）CSP1_X
YOLOv5 与 YOLOv4 的不同点在于，YOLOv4 只有主干网络使用了 CSP结构， 而在 YOLOv5 中，设计了两种 CSP 结构。其中，CSP1_X 应用于 Backbone，另一种 CSP2_X 则是应用于 Neck 中。
三、Neck
如下图所示，YOLOv5 对 FPN + PAN 的结构作了一些改动，使用了另外一种 CSP2_X 的结构，加强网络特征融合的能力。
（1）CSP2_X
CSP2_X与CSP1_X不同的点就在于CBL和Conv之间的模块。CSP1_X是由X个Res Unit的残差模块组成，而CSP2_X是由2X个CBL组成。
四、Head
在训练阶段，YOLOv5 与 YOLOv4 一样，采用其中的了 CIOU_Loss。在推理阶段，YOLOv4 在 DIOU_Loss 的基础上采用了 DIOU_nms 的方式，而 YOLOv5 是采用加权 nms 的方式。这个估计可以和YOLOv4一模一样，具体结果本人没有去测试，只是单纯猜测。因为在YOLOv4分析中提到DIOU_nms，在重叠的目标检测中，DIOU_NMS效果更好，其他情况差距不大。
五、四种网络的比较
Yolov5代码中的四种网络，内容基本上都是一样的，只有最上方的depth_multiple和width_multiple两个参数不同。就是这两个参数（网络深度和网络宽度）决定着四种版本的不同。
（1）四种网络的深度
这里我自己理解的网络深度是指网络的总层数。从下图中可以看出在s, m, l ,x四种版本中的CSP1_X中的X不同，而X表示Res Units的个数， Res Units越多，层数就越深。
【这一part的图片也都是引用博主江大白博文里的图。】
以YOLOv5s为例，如下图所示，第一个BottleneckCSP层中的参数3记为n，YOLOv5s的深度参数为0.33记为gd，CSP1_X中的X表示残差组件数量，X = n * gd = 3 * 0.33 = 1。同理，第二个BottleneckCSP层中的n为9，CSP1_X中的X=3，就和上图的第二个CSP1对应起来了。YOLOv5m、YOLOv5l、YOLOv5x同理，不多赘述。
（2）四种网络的宽度
网络宽度指的是卷积层中卷积核的数量，也就是通道数（卷积后特征图的第三维度），可以理解为网络的厚度。
以YOLOv5s为例，如下图所示，方框标中的数字表示的就是卷积核数量。YOLOv5s的宽度系数gw=0.5，Focus中的卷积核数量是64，那么下采样操作的卷积核数量=gw * 64 = 32。每经过一个Conv层就比上一层翻倍，和上图所示情况一致。YOLOv5m、YOLOv5l、YOLOv5x同理。
