YOLO V5

网络结构

网络结构主要由以下几个部分组成：

• Backbone: New CSP-Darknet53

• Neck: SPPF, New CSP-PAN

• Head: Yolov3 Head

  下图是yolov5l的网络结构：
  

  在Neck部分，作者将SPP换为了SPPF，两者作用相同，但后者效率更高。SPP结构如下，是将输入并行通过多个不同大小的Maxpool，然后做进一步融合，能在一定程度上解决目标多尺度问题。

而在SPPF中，是将输入串行通过多个5x5大小的Maxpool层，这里需要注意的是串行两个5x5大小的Maxpool层和一个9x9大小的Maxpool层计算结果是一样的，串行3个5x5大小的Maxpool层和一个13x13大小的Maxpool层计算结果是一样的。

数据增强

• Mosaic ： 将四张图片合成为一张图片
• Copy paste ：将部分目标随机的粘贴到图片中，前提是数据要有segments数据才行，即每个目标的实例分割信息。
• Random affine(Rotation, Scale, Translation, Shear)：随机进行仿射变换
• Mixup ：将两张图片按照一定的透明度融合在一起
• Albumentations：滤波、直方图均衡化、改变图片质量
• Agument HSV(Hue, Saturation, Value)：随机调整色度、饱和度以及明度
• Random horizontal filp : 随机水平翻转

训练策略

• Multi-scale training(0.5~1.5x)，多尺度训练，假设设置输入图片的大小为640 × 640 640 \times 640640×640，训练时采用尺寸是在0.5 × 640 ∼ 1.5 × 640 0.5 \times 640 \sim 1.5 \times 6400.5×640∼1.5×640之间随机取值，注意取值时取得都是32的整数倍（因为网络会最大下采样32倍）。
• AutoAnchor(For training custom data)，训练自己数据集时可以根据自己数据集里的目标进行重新聚类生成Anchors模板
• Warmup and Cosine LR scheduler，训练前先进行Warmup热身，然后在采用Cosine学习率下降策略。
• EMA(Exponential Moving Average)，可以理解为给训练的参数加了一个动量，让它更新过程更加平滑。
• Mixed precision，混合精度训练，能够减少显存的占用并且加快训练速度，前提是GPU硬件支持。
• Evolve hyper-parameters，超参数优化，没有炼丹经验的人勿碰，保持默认就好。

损失计算

​ yolo v5 的损失主要由3各部分组成：

• Classes loss： 分类损失，采用的是BCE loss，注意只计算正样本的分类损失

• Objectness loss: obj损失，采用的也是BCE loss，这里的obj指的是网络预测的目标边界框与GT Box的CIoU。

• Location loss: 定位损失，采用的是CIou loss，注意只计算正样本的定位损失。

  \[\text { Loss }=\lambda_1 \mathrm{~L}_{\mathrm{cls}}+\lambda_2 \mathrm{~L}_{\mathrm{obj}}+\lambda_3 \mathrm{~L}_{\mathrm{loc}} \]