一.模型框架

二.对Yolov5的描述

Yolov5的模型主要由 输入、Backbone、Neck、Head、输出 五部分组成。

2.1 输入

输入 640x640x3

2.2 backbone

Backbone：负责提取输入图像的特征。
在Yolov5中，常见的Backbone网络包括CSPDarknet53或ResNet。这些网络都是相对轻量级的，能够在保证较高检测精度的同时，尽可能地减少计算量和内存占用。
其结构主要有Conv模块、C3模块、SPPF模块。Conv模块主要由卷积层、BN层和激活函数组成，C3模块则将前面的特征图进行自适应聚合，SPPF模块通过全局特征与局部特征的加权融合，获取更全面的空间信息。

2.3 neck

Neck：Neck部分负责对Backbone提取的特征进行多尺度特征融合，并把这些特征传递给预测层。
例如，在Yolov5采用的PANet结构中，通过多次上采样、拼接、点和点积来设计聚合策略，以此更好地利用多尺度特征。

2.4 head

Head：Head主要负责进行最终的回归预测，即利用Backbone骨干网络提取的特征图来检测目标的位置和类别。
最后，输出端是模型预测的结果，包括每个目标的类别和其对应的边界框坐标等信息。

2.5 输出

有三个尺度的输出：分别为：

20x20x255
40x40x255
80x80x255

输出的255是怎么来的？

每个gred cell生成三个锚框，每一个锚框对应一个预测框，每一个预测框有 5(x,y,w,h,置信度) + 80(80个类别的条件概率) 
3x85=255

多尺度输出的作用

grid cell为20x20，输入为640x640的图像下采样32倍得到20x20，对应输入图像的感受野是32x32
grid cell为40x40，输入为640x640的图像下采样16倍得到40x40，对应输入图像的感受野是16x16
grid cell为80x80，输入为640x640的图像下采样8倍得到80x80，对应输入图像的感受野是8x8

20x20负责预测大物体，分配大的锚框。
40x40负责预测中等大小的物体，分配中等大小的锚框。
80x80负责预测小物体，分配小的锚框。

三.正负样本匹配 和 损失函数

正负样本匹配和损失函数 详见如下博客：
目标检测——YOLOv3、YOLOv4、YOLOv5、YOLOv7正负样本匹配、YOLO3损失函数理解

https://blog.csdn.net/weixin_45464524/article/details/128683900

四.模块的细节

自上而下，自下而上的特征融合，可以更充分提取特征

C3模块

3指3个卷积

SPPF模块

比spp更快，缓解多尺度检测问题

Focus操作

2023年yolov5的focus被替换成了6x6卷积层.

anchors

先验框

五.yaml文件解读

基本参数

depth_multiple和width_multiple控制模型深度倍数和通道倍数，在smlx上不一样

backbone参数

-1表示，输入来自上一层，1表示模块个数。模块个数中的3,6,9是要乘以上面的depth_multiple参数的。

head参数

上面的画线部分，如[-1,6]表示输入不仅来自上一层还来自于第6层，是它们的拼接

其它

1，网络架构
通过解析代码仓库中的 .yaml 文件中的结构代码，YOLOv5 模型可以概括为以下几个部分：

Backbone: Focus structure, CSP network
Neck: SPP block, PANet
Head: YOLOv3 head using GIoU-loss
2，创新点
2.1，自适应anchor
在训练模型时，YOLOv5 会自己学习数据集中的最佳 anchor boxes，而不再需要先离线运行 K-means 算法聚类得到 k 个 anchor box 并修改 head 网络参数。总的来说，YOLOv5 流程简单且自动化了。

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

2.3，Focus结构
Focus 结构可以简单理解为将
大小的输入图片 4 个像素分别取 1 个（类似于邻近下采样）形成新的图片，这样 1 个通道的输入图片会被划分成 4 个通道，每个通道对应的 WH 尺寸大小都为原来的 1/2，并将这些通道组合在一起。这样就实现了像素信息不丢失的情况下，提高通道数（通道数对计算量影响更小），减少输入图像尺寸，从而大大减少模型计算量。

以 Yolov5s 的结构为例，原始 640x640x3 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。

focus结构示例
3，四种网络结构
YOLOv5 通过在网络结构问价 yaml 中设置不同的 depth_multiple 和 width_multiple 参数，来创建大小不同的四种 YOLOv5 模型：Yolv5s、Yolv5m、Yolv5l、Yolv5x。

参考

yolov1-yolov7区别
http://www.360doc.com/content/23/0511/16/13826502_1080286590.shtml

yolov5-手绘框图讲解及相应配置文件讲解
https://www.bilibili.com/video/BV1BD4y1W7FS/?spm_id_from=333.788.recommend_more_video.1&vd_source=ebc47f36e62b223817b8e0edff181613