本博客是个人通过对v5网络的学习和研究而总结的学习笔记，主要参考B站up主霹雳巴拉，如果感觉本博客看不太明白，推荐去B站看这样up主。同时本博客也是个人复习学习笔记。
YOLOV5是在v4出现不久就开始更新迭代的产品，其主要也是对v4做进一步改进工作。
下面是整个v5涉及到的变化的内容以及要注意的点：
下面开始重点笔记区别点：
1、网络架构修改。就像v1，v2，v3，v3spp，v4常规迭代一样，网络架构都会经过一定的调整。相对v4而言，v5中不使用cspdocknet53结构了，而是使用作者重新修改完的架构。
1）如上图所示，基础结构被更换了，一直到SPPF之前都是作者自己搞的基础骨干网络，也就是所谓的new cspdarknet53。
2） 然后在v3spp以及v4中spp结构，被修改成sppf。它是用一个55池化代替原有的55 池化。使用两个55池化串联的方式代替原有的99池化，使用三个55池化串联的方式代替原有的1313池化操作，然后在原有的原始数据路径上新增了一个卷积，然后将这四路分支concat起来，就形成了新的sppf。它可以在不改变效果的情况下，减少运行时间。
3） 在v4中，pan结构就是先低层下采样与高层融合，然后在高层上采用和底层融合得到输出即可，中间没有增加结构性的东西，像v4或者v3spp中基础架构中的模块，但是在v5中，增加了c模块。
2、数据增强
它使用了一些列的数据增强方案：
1）就是普遍使用的mosaic增强。图片四合一，然后通过仿射变换旋转缩放和平移。
2）Copy paste 将一幅图中目标扣下来，然后放到其它图片内，增加目标样本数。
3）随机放缩 Random affine
4）将一张图片亮度调暗然后和其它图片融合
5）常规的均衡化等操作
6） 调正图片中物体的对比度和细节部分
7）随机翻转
3、训练策略：
1）为了增加多尺度信息的训练，所以将图片放缩0.5到1.5倍不等大小。
2）如果该数据集中目标大小和anchor大小不匹配，那么我们就应该重新根据数据集聚类生成anchor
3）调整学习率
4）加入动量，使得输出更加平滑，这个动量在求loss，优化器中也能见到
5）混合精度训练
6）超参数评估设置
4、计算loss相关的，包括如何选择正样本，如何平衡不同尺度损失，如何消除grid敏感度问题等
1）损失计算，我们在回归参数上只计算正样本，在类别损失上只计算正样本，只有在置信度损失上计算正负样本
2）和v3v4一样，分三个预测特征层预测不同大小物体，但是这三个预测特征层比重不一样，所以设置不同权重计算不同损失。
3）消除grid敏感度，在v3spp中，我们先计算匹配模板，在计算属于哪一个方框的匹配模块为正样本，在v4中，因为我们想消除当正好在左上角点时不能取0的问题，所以修改了中心点计算公式的sigmoid函数，使其属于-0.5到1.5之间。在挑选正样本所属框格时把周围的框格也算上了。在v5中，把计算宽高的公式也给修改了将指数函数替换成（2*sigmoid）** 2 函数表达式。这样做就可以避免指数函数无限上升的缺点，从而给其一个具体的范围，对结果进行一定的约束。
4）选择正样本。所以预测前后宽高比例为1：4，即可能是预测后和预测前比，业可能是预测前和预测后比。因此我们可以缩放anchor模板框从0.25到4倍大小。只要真实框在这个倍率范围内的模板内，就说这个模板是正样本。然后还按照v4的第二步，选择属于哪一方格的模板框，顺便选择四周近距离的方格模板框也是正样本。
这些就是个人学习理解的过程，有理解不对的地方希望可以在评论区批评指针，共同学习进步！
