Análisis del algoritmo YOLOv5 para la detección de objetivos.

YOLOv5 tiene un total de 5 versiones de modelos de red y sus archivos de peso, a saber （n,s,m,l,x）.
(La imagen a continuación es de la captura de pantalla de rendimiento del proyecto oficial de código abierto yolov5 en github).

Entre ellas, las estructuras del modelo de red n, s, m, l y x son exactamente iguales, y la diferencia radica en los parámetros. Los otros modelos n6, s6, m6, l6 y x6 son para detección de imágenes de mayor resolución.

Estructura de red

Este diagrama de estructura de red proviene del blogger de CSDN: Jiang Dabai . Citado aquí únicamente para registros de estudios.

Esta imagen muestra YOLO v 5 s YOLOv5sArquitectura del modelo de red de$Y$$O$$L$$O$$v$$5$$s\; .$

Columna vertebral

CSP-Darknet53

Cuello

SPPF + CSP-PAN

Cabeza

YOLOv3 Head
Predicciones de características de salida de tres tamaños, como $(76,76,255),(38,38,255),(19,19,255)$ , las distintas versiones son contradictorias.

---

Análisis clave

边界框优化
Basado en YOLOv4, $b_{}={pag}_{}\ast {mi}^{t_{}}$与$b_{}={pag}_{}\ast {mi}^{t_{}}$Varianza $b_{}={pag}_{}\ast (2\ast s({mi}^{t_{}}){)}^2$与$b_{}={pag}_{}\ast (2\ast s({mi}^{t_{}}){)}^{2.}$ Utilice
\$La\; función\; \sigma$ tiene como objetivo limitar$t_{}$con $t_{}$rango de valores para evitar situaciones Nan.

数据增强
Los métodos de mejora de datos incluyen mosaico, transformación de la gama de colores HSV, rotación, escalado, inversión, traducción, corte, etc.

真实框与Anchor匹配

$$\begin{array}{rl}{r}_{}& =\frac{w_{gt}}{w_{una}}\\ r_{}& =\frac{h_{gt}}{h_{una}}\\ r_w^{máx}& =máx(r\_{}_{},\frac{}{r_{}})\\ r_h^{máx}& =máx(r\_{}_{},\frac{}{r_{}})\\ r_w^{máx}& =máx(r\_{}_w^{máx},r_h^{máx}\end{array}$$
donde $w_{gt}$es el ancho de la caja real, $w_{una}$es el ancho del ancla, $h_{gt}$es la altura de la caja real, $h_{una}$es la altura del ancla.

$\left(3\right)\left(4\right)$ Las dos ecuaciones se utilizan para medir la diferencia entre la caja real y el ancla. Si la diferencia entre las dos cajas es la más pequeña o las dos cajas son las más similares, entonces rhmax r_h^{max$r_h^{máx}$rwmax $r_w^{máx}$es 1.último $\left(5\right)$ , obtenga el valor máximo de diferencia del marco en altura y ancho. Este valor de diferencia se compara con el umbral dado. Si se cumple la condición del umbral, la coincidencia se considera exitosa; de lo contrario, falla. Este principio es similar al anterior que utiliza la coincidencia de pagarés.

损失函数(v6.0 y versiones posteriores)
Pérdida = pérdida de posicionamiento del cuadro delimitador + pérdida de clasificación del objetivo + pérdida de CIoU (pérdida de confianza)
$$pérdida\_={yo}_{}{l}_{loc}+{yo}_{}{l}_{cl}+{yo}_{}{l}_{cio}$$
Es decir,
el parámetro K es el número de mapas de características, $S^2$ es el número de celdas de la cuadrícula,$B$ es el número de anclas.

Para equilibrar la pérdida de diferentes escalas (en el conjunto de datos de coco), para las tres capas de características de predicción $\left\{{PAG}_{}\right(Objetivo\; pequeño,\; como76\ast 76),{PAG}_{}(Objetivo\; medio,\; como38\ast 38),{PAG}_{}(Objetivo\; grande,\; como19\ast La\; pérdida\; CIOU\; objetivo\; en\; 19)\}$ adopta diferentes pesos:$$pérdida\_{\_}_{cio}=4\ast l_{ciou}^{pequeño\_}+l_{ciou}^{medio\_\_\_\_}+\mathrm{0,4}\ast l_{ciou}^{grande\_\_\_}$$
En la función de pérdida, para mejorar la precisión de los objetivos pequeños, se aumenta la pérdida de la predicción de objetivos pequeños.