Yolov5核心基础知识_yolov5的识别速率

1 前言

相对于YOLOv4，YOLOv5在原理和方法上没有做太多的改进，但是在速度和模型大小比yolov4有比较大的提升，也可以认为是牺牲了模型的大小，换来了准确率和速度的增加。接下来，从yolov5的网络结构，以及核心内容进行分析。

2 网络结构

yolov5一共有4个版本，比如yolov5x,yolov5s,yolov5m,yolov5l，这四个模型，本文对yolov5s模型进行简单分析。四个模型之中，yolov5s深度最小，特征图的宽度也是最小。但是，他们的整体架构是一样的，只不过就是在每个子模块中采用不同的深度和宽度，分别对应yaml文件中的depth_multiple和width_multiple参数。
yolov5的网络结构图，如下所示：

yolov5的网络结构主要有3部分组成：

• backbone: New CSP-Darknet53
• Neck： SPPF，New CSP-PAN
• Head: yolov3 Head

其实YOLOv5在Backbone部分没太大变化，仅仅是在v6.0之后有一个小改动，把第一层的Focus模块换成了一个6×6的卷积层。其实效果是一样的，但是对于现在的一些GPU设备和优化算法，6×6的卷积层效果要更好一点。
在neck部分变化相当较大，把原来的SPP模块换成了SPPF模块，两者作用一样，但是SPPF效率更高。SPP结构如下所示，将输入以并行的方式通过不同大小的MaxPool层，然后进行Concat，能在一定程度上解决目标多尺度问题。

然而，SPPF的结构是串行的将输入通过多个5×5大小的MaxPool层（串行两个5×5的MaxPool层结果和一个9×9大小的MaxPool层计算结果一样），串行三个5×5的MaxPool层和13×13的一样。

因此，SPP和SPPF的计算结果一样，但是SPPF比SPP计算速度快了将近两倍。因为，三个5×5的MaxPool层计算量明显小于一个5×5和9×9和13×13的计算量。第二个改动之处引入了New CSP-PAN，就是在在PAN结构中加入了CSP。在head部分并没有什么改动。
下面是一张yolov5的算法性能测试图：

YOLOv5s网络最小，速度最快，AP精度也最低。若检测的以大目标为主，追求速度，是个不错的选择。其他的三种网络，在YOLOv5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。

3 核心基础知识

3.1 Mosaic数据增强

YOLOv5中使用的Mosaic是参考2019年底提出的CutMix数据增强的方式，但CutMix只使用了两张图片进行拼接，而Mosaic数据增强则采用了4张图片，随机缩放、随机裁剪、随机排布的方式进行拼接，对于小目标的检测效果是不错的。

Mosaic数据增强的方式，主要有几个优点：

• 丰富数据集： 随机使用4张图片，随机缩放，再随机分布进行拼接，丰富了检测数据集，尤其是随机缩放增加了小目标，让网络的鲁棒性更好。
• 减少GPU： 可能会有人说，随机缩放，普通的数据增强也可以做，但作者考虑到很多人可能只有一个GPU，因此Mosaic增强训练时，可以直接计算4张图片的数据，使得Mini-batch大小并不需要很大，一个GPU就可以达到比较好的效果。

3.2 自适应锚框计算

在yolo中**，不同的数据集，都会设置不同初始长宽的锚框**。然后，在网络训练中，网络在初始锚框的基础上输出预测框，预测框和真实框groundtruth进行对比，计算他们的差距，然后反向更新，迭代网络参数，因此初始锚框长款还是很重要的。
在YOLOv3、YOLOv4中，训练不同的数据集时，计算初始锚框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，每次训练将会自适应的计算不同训练集中的最佳锚框值。如果觉得计算的锚框效果不好，可以将自动计算锚框功能关闭。

3.3 自适应图片缩放

在目标检测中，不同的图片尺寸不同。因此需要把所有图片变成尺寸一样，常用的就是进行直接缩放到需要的尺寸大小。但是在yolov5中作者用了一个新trick，因此yolov5的推理速度更快了。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。填充的比较多，则存在信息冗余，影响推理速度。 因此在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。

3.4 cost function

目标检测任务的损失函数一般由 Classificition Loss（分类损失函数）和Bounding Box Regeression Loss（回归损失函数）两部分构成。Yolov5中采用其中的CIOU_Loss做Bounding box的损失函数。
IOU_Loss： 主要考虑检测框和目标框重叠面积。

GIOU_Loss： 在IOU的基础上，解决边界框不重合时的问题。

DIOU_Loss： 在IOU和GIOU的基础上，考虑边界框中心点距离的信息。

CIOU_Loss： 在DIOU的基础上，考虑边界框宽高比的尺度信息。

Summary

总的来说，yolov4的性能是优于yolov5的，但是在灵活性与速度上弱于YOLO V5。
尽管YOLO V5目前仍然计逊一筹，但是YOLO V5仍然具有以下显著的优点：

• 使用Pytorch框架，对用户非常友好，能够方便地训练自己的数据集，相对于YOLOV4采用的Darknet框架，Pytorch框架更容易投入生产。
• 代码易读，整合了大量的计算机视觉技术，非常有利于学习和借鉴。
• 不仅易于配置环境，模型训练也非常快速，并且批处理推理产生实时结果。
• 能够直接对单个图像，批处理图像，视频甚至网络摄像头端口输入进行有效推理。
• 能够轻松的将Pytorch权重文件转化为安卓使用的ONXX格式，然后可以转换为OPENCV的使用格式，或者通过CoreML转化为IOS格式，直接部署到手机应用端。
• 最后YOLO V5s高达140FPS的对象识别速度令人印象非常深刻，使用体验非常棒。

---

参考文章

YOLOv5核心基础知识讲解
yolo5的改进策略
YOLOv5网络详解