本文来自公众号“每日一醒”
?
Yolo v5一共有四个模型，分别为Yolov5s、Yolov5m、Yolov5l、Yolov5x。
Yolov5s网络最小，速度最少，AP精度也最低，如果检测的以大目标为主，追求速度，倒也是个不错的选择。
其他的三种网络，在此基础上，不断加深加宽网络，AP精度也不断提升，但速度的消耗也在不断增加。
YOLOV5的改进
1、backbone：CSPDarkNet53+Focus
2、neck：SPP+PAN
3、head：YOLOv3
4、自适应图片缩放
5、数据增强：马赛克（Mosaic）
6、自适应锚框计算
7、激活函数：Leaky ReLU 和 Sigmoid 激活函数。
8、损失函数：GIOU
9、跨网格预测（新的Loss计算方法）
Focus
Focus从高分辨率图像中，周期性的抽出像素点重构到低分辨率图像中，即将图像相邻的四个位置进行堆叠，聚焦wh维度信息到c通道空间，提高每个点感受野，并减少原始信息的丢失，该模块的设计主要是减少计算量加快速度。
以Yolov5s的结构为例，原始640*640*3的图像输入Focus结构，采用切片操作，先变成320*320*12的特征图，再经过一次32个卷积核的卷积操作，最终变成320*320*32的特征图。
简单来说就是把数据切分为4份，每份数据都是相当于2倍下采样得到的，然后在channel维度进行拼接，最后进行卷积操作。
（4*4*3的图像切片后变成2*2*12的特征图）
Focus示意图：
为什么要加fucus？
其最大好处是可以最大程度的减少信息损失而进行下采样操作。
CSP（跨阶段局部网络）
跨阶段局部网络缓解以前需要大量推理计算的问题。
Yolov4中只有主干网络使用了CSP结构，而Yolov5中设计了两种CSP结构。
以Yolov5s网络为例，CSP1_X结构应用于Backbone主干网络，另一种CSP2_X结构则应用于Neck中。
Yolov4的Neck结构中，采用的都是普通的卷积操作。
Yolov5的Neck结构中，采用借鉴CSPnet设计的CSP2结构，加强网络特征融合的能力。
CSP示意图：
CSP代码实现：
Res unit模块：
SPP
SPP模块（空间金字塔池化模块）， 分别采用5、9、13的最大池化，再进行concat融合，提高感受野。
SPP的输入是512x20x20，经过1x1的卷积层后输出256x20x20，然后经过并列的三个Maxpool进行下采样，将结果与其初始特征相加，输出1024x20x20，最后用512的卷积核将其恢复到512x20x20。
SPP示意图：
SPP代码实现：
自适应锚框计算
在 yolov3、v4 中是采用 kmean 和遗传算法对自定义数据集进行分析，获得合适自定义数据集中对象边界框预测的预设锚点框，计算初始锚框的值是通过单独的程序运行的。
在YOLO V5 中锚定框是基于训练数据自动学习的，此功能嵌入到代码中，每次训练时，自适应的计算不同训练集中的最佳锚框值。
在网络训练中，网络在初始锚框的基础上输出预测框，进而和真实框groundtruth进行比对，计算两者差距，再反向更新，迭代网络参数。
因此初始锚框也是比较重要的一部分，比如Yolov5在Coco数据集上初始设定的锚框：
自适应图片缩放
在项目实际使用时，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。
Yolov5的代码中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。
图像高度上两端的黑边变少了，在推理时，计算量也会减少，即目标检测速度会得到提升。
通过这种简单的改进，推理速度得到了37%的提升，可以说效果很明显。
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。
GIOU
Yolov5采用GIOU_Loss做Bounding box的损失函数，使用 二进制交叉熵(BCE) 和 Logits 损失函数 计算类概率和目标得分的损失。
进化二：不相交时，IOU=0，两个框距离变换，IOU loss不变，改进为GIOU。
GIOU Loss，在IOU的基础上引入了预测框和真实框的最小外接矩形。
GIoU公式：
?GIoU Loss公式：
GIOU算法流程如下：
当两框完全重合时取最小值0，当两框的边外切时，损失函数值为1；
当两框分离且距离很远时，损失函数值为2。
使用外接矩形的方法不仅可以反应重叠区域的面积，还可以计算非重叠区域的比例，因此GIOU损失函数能更好的反应真实框和预测框的重合程度和远近距离。
GIOU Loss存在的问题：
1）包含时计算得到的IOU、GIOU数值相等，损失函数值与IOUloss 一样，无法很好的衡量其相对的位置关系。
2）同时在计算过程中出现上述情况，预测框在水平或垂直方向优化困难，导致收敛速度慢。
?
nms非极大值抑制
在目标检测的后处理过程中，针对很多目标框的筛选，通常需要nms操作。
因为CIOU_Loss中包含影响因子v，涉及groudtruth的信息，而测试推理时，是没有groundtruth的。
所以Yolov4在DIOU_Loss的基础上采用DIOU_nms的方式，Yolov5中采用加权nms的方式。
激活函数
YOLO V5的作者使用了 Leaky ReLU 和 Sigmoid 激活函数。
在 YOLO V5中，中间/隐藏层使用了 Leaky ReLU 激活函数，最后的检测层使用了 Sigmoid 形激活函数。
而YOLO V4使用Mish激活函数。
跨网格预测（新的Loss计算方法）
yolov5的loss设计和前yolo系列差别比较大的地方就是正样本anchor区域计算。
yolov3的loss计算过程非常简单，核心是如何得到loss计算所需的target。
yolov5的很大区别就是在于正样本区域的定义。
yolov3的正样本区域也就是anchor匹配策略非常粗暴：
保证每个gt bbox一定有一个唯一的anchor进行对应，匹配规则就是IOU最大，并且某个gt一定不可能在三个预测层的某几层上同时进行匹配。
(不考虑一个gt bbox对应多个anchor的场合，也不考虑anchor是否设置合理，不考虑一个gt bbox对应多个anchor的场合的设定会导致整体收敛比较慢。)
yolov5采用了增加正样本anchor数目的做法来加速收敛。
yolov5核心匹配规则为：
(1) 对于任何一个输出层，抛弃了基于max iou匹配的规则，而是直接采用shape规则匹配，也就是该bbox和当前层的anchor计算宽高比，如果宽高比例大于设定阈值，则说明该bbox和anchor匹配度不够，将该bbox过滤暂时丢掉，在该层预测中认为是背景
(2) 对于剩下的bbox，计算其落在哪个网格内，同时利用四舍五入规则，找出最近的两个网格，将这三个网格都认为是负责预测该bbox的，可以发现粗略估计正样本数相比前yolo系列，至少增加了三倍。
绿点表示该Bbox中心，现在需要额外考虑其2个最近的邻域网格也作为该bbox的正样本anchor。
bbox的xy回归分支的取值范围不再是0~1，而是-0.5~1.5(0.5是网格中心偏移)，因为跨网格预测了。
在任何一预测层，将每个bbox复制和anchor个数一样多的数目，然后将bbox和anchor一一对应计算，去除不匹配的bbox，然后对原始中心点网格坐标扩展两个邻居像素，增加正样本anchor。
有个细节需要注意，前面shape过滤时候是不考虑bbox的xy坐标的，也就是说bbox的wh是和所有anchor匹配的，会导致找到的邻居也相当于进行了shape过滤规则，故对于任何一个输出层，如果该bbox保留，那么至少有3个anchor进行匹配，并且保留的3个anchor shape是一样大的。
即保留的anchor在不考虑越界情况下是3或者6或者9。
(1) 不同于yolov3和v4，其gt bbox可以跨层预测即有些bbox在多个预测层都算正样本
(2) 不同于yolov3和v4，其gt bbox的匹配数范围从3-9个,明显增加了很多正样本(3是因为多引入了两个邻居)
(3) 不同于yolov3和v4，有些gt bbox由于和anchor匹配度不高，而变成背景
这种特别暴力增加正样本做法还是存在很大弊端，虽然可以加速收敛，但是由于引入了很多低质量anchor，对最终结果还是有影响的。
yolo v5深度与宽度控制
Yolov5代码中的四种网络，和之前的Yolov3，Yolov4中的cfg文件不同，都是以yaml的形式来呈现。
而且四个文件的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。
四种结构就是通过上面的两个参数，来进行控制网络的深度和宽度。
其中depth_multiple控制网络的深度，width_multiple控制网络的宽度。
深度：四种网络结构中每个CSP结构的深度都是不同的。
yolov5s，第一个CSP1中，使用了1个残差组件，是CSP1_1。
Yolov5m，在第一个CSP1中，使用了2个残差组件，是CSP1_2。
Yolov5l，在第一个CSP1中，使用了3个残差组件，是CSP1_3。
Yolov5x，在第一个CSP1中，使用了4个残差组件，是CSP1_4。
宽度：四种yolov5结构在不同阶段的卷积核的数量都是不一样的，因此也直接影响卷积后特征图的第三维度，即厚度。
Yolov5s，第一个Focus结构中，最后卷积操作使用了32个卷积核，因此经过Focus结构，特征图的大小变成304*304*32。
yolov5m，第一个Focus结构中，最后卷积操作使用了48个卷积核，因此经过Focus结构，特征图的大小变成304*304*48。
yolov5l，yolov5x也是同样的原理。
总结
yolov5：
(1) 考虑了邻域的正样本anchor匹配策略，增加了正样本。
(2) 通过灵活的配置参数，可以得到不同复杂度的模型。
(3) 通过一些内置的超参优化策略，提升整体性能。
(4) 和yolov4一样，都用了mosaic增强，提升小物体检测性能。
?
???
?——————
浅谈则止，细致入微AI大道理
扫描下方“每日一醒”，选择“关注”公众号
—————————————————————
—————————————————————