YOLOV5（三）：模型结构要点及预测结果分析

本文主要参考江大白博客进行整理，罗列几项个人所需，并新增一些计算知识点

1.网络结构特点

1.1 Input

Mosaic数据增强

与yolov4相同的数据增强方式——Mosaic。采用数据集中的四张图片，用随机缩放、裁剪、排列的方式进行拼接，引用江大白的图：

用mosaic进行数据增强的优势：

1. 随机缩放增加了很多小目标，在丰富数据集的同时，也提高了网络的鲁棒性。
2. mosaic可直接计算四张图片，降低了mini-batch的大小，从而降低网络训练对硬件的压力。

自适应锚框

初始锚框的作用：网络在初始锚框的基础上计算出预测框，然后和标定的框做对比、迭代更新网络参数。

• 在yolov3和4中，计算锚框的程序是单独运行的，而在yolov5中分两种方式，一种是使用预定锚框，可在yaml文件中查看并修改，另一种是在代码中启动自适应锚框计算功能。
  
  

1.2 Backbone

Focus结构

两个部分，一是切片，