整体概况

YOLOv5 是一个基于 Anchor 的单阶段目标检测，其主要分为以下 5 个阶段：
1、输入端：Mosaic 数据增强、自适应Anchor计算、自适应图像缩放；
2、Backbone：提取出高中低层的特征，使用了 CSP 结构、SPPF、SiLU 等操作；
3、Neck：使用 FPN+PAN 结构，将各层次的特征进行融合，并提取出大中小的特征图；
4、Head：进行最终检测部分，在特征图上应用 Anchor Box，并生成带有类别概率、类别
得分以及目标框的最终输出向量；
5、损失函数：计算预测结果与 Ground Truth 之间的 Loss。

数据增强与前处理

自适应Anchor的计算

自适应 Anchor 计算
在 YOLOv3、YOLOv4 中，训练不同的数据集时，计算初始 Anchor 的值是通过单独的程序运行的。但 YOLOv5 中将此功能嵌入到代码中，每次训练时会自适应的计算不同训练集中的最佳 Anchor 值。

自适应计算 Anchor 的流程如下：
1、载入数据集，得到数据集中所有数据的 w、h；
2、将每张图像中 w、h 的最大值等比例缩放到指定大小，较小边也相应缩放；
3、将 bboxes 从相对坐标改成绝对坐标（乘以缩放后的 w、h）；
4、筛选 bboxes，保留 w、h 都大于等于 2 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 w、h 进行变异，如果变异后效果变得更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。

Lettorbox

在常用的目标检测算法中，不同的图像长宽都不相同，因此常用的方式是将原始图像统一缩放到一个标准尺寸，再送入检测网络中。

前期 YOLO算法中常用 416×416、608×608 等尺寸，比如对 800×600 的图像进行缩放和填充。如图所示，YOLOv5 作者认为，在项目实际应用时，很多图像的长宽比不同，因此均直接进行缩放填充后，两端的灰边大小会不同，而如果填充的比较多，则存在信息的冗余，也可能会影响推理速度。

在 YOLOv5 中作者对 Letterbox 函数中进行了修改，对原始图像自适应的添加最少的灰边。

架构

YOLOv5的Backbone和Neck模块和YOLOv4中大致一样，都采用CSPDarkNet和FPN+PAN的结构，但是网络中其他部分进行了调整，其中YOLOv5使用的激活函数是SiLU（YOLOv4为Mish激活函数），同时YOLOv5在CSP Block中没有使用Transition First卷积。

SiLU激活函数

Swish激活函数具备无上界有下届、平滑、非单调的特性，Swish在深层模型上效果优于ReLU，表达式如下：

β是个常数或者可训练的参数，当β=1时，也称作SiLU激活函数。

YOLOv5_49">YOLOv5改进点

由于YOLOv5没有论文，这里便根据官方的源码绘制一下CSPBlock的结构图，其实对应的便是YOLOv5官方库的C3 Block：

为了读者更方便地搭建 CSPDarkNet53，笔者这里也给出 CSPDarkNet53 的结构图，如图所示，这里CSPDarkNet53依然使用的是类似 ResNet 的层次结构设计的思想，以及这里CSPDarkNet53对于每个 Stage的配置同DarkNet53一样，分别是 3，6，9，3，依次对应的下采样倍数为：4、8、16、32。

SSPF 模块

SSPF模块将经过CBS的x与一次池化后的y1、两次池化后的y2和3次池化后的y3进行拼接，然后再CBS进一步提取特征。
仔细观察不难发现，虽然SSPF对特征图进行了多次池化，但是特征图尺寸并未发生变化，通道数更不会变化，所以后续的4个输出能够在channel维度进行融合。
这一模块的主要作用是对高层特征进行提取并融合，在融合的过程中多次运用最大池化，尽可能多的去提取高层次的语义特征。

正负样本匹配

首先，将GT与当前特征图的 3 个 Anchors 作比较，如果GT的宽与Anchor 宽的比例、GT的高与 Anchor 高的比例都处于 1/4 到4区间内，那么当前GT就能与当前特征图匹配。
然后，将当前特征图的正样本分配给对应的 Grid；如图所示在 YOLOv5 中会将一个 Grid 点分为4个象限，针对第一步中匹配的GT，会计算该GT（图中蓝点）处于4个象限中的哪一个，并将邻近的两个特征点也作为正样本。
如图所示，左边所示的GT偏向于右下象限，会将GT所在 Grid 的右、下特征点也作为正样本。而图中右边所示的GT偏向于左上象限，会将GT所在 Grid 的左、上特征点作为正样本。
相比较 YOLOv3 和 YOLOv4 匹配正样本的方式，YOLOv5的这种匹配方式能够分配更多的正样本，有助于训练加速收敛，以及正负样本的平衡。而且由于每个特征图都会将所有的 GT与当前特征图的 Anchor 计算能否分配正样本，也就说明一个GT可能会在多个特征图中都分配到正样本。

损失函数