devbox
Monodyee
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

yolov5 网络结构_yolov5头部网络

作者：Monodyee | 2024-03-25 18:27:20

赞

踩

yolov5头部网络

YOLOv5（You Only Look Once version 5）是目标检测任务中的一种深度学习模型，其网络结构相对简单，但非常有效。下面是一个大概思路，用于明白整个流程，但是我们讲解不按这个走哦。

  1. 输入层（Input Layer）： YOLOv5的输入层接受图像数据，通常是固定大小的图像。输入图像会经过一系列的卷积和下采样操作，最终生成不同尺度的特征图。

  2. 特征提取网络（Backbone）： YOLOv5采用CSPDarknet53作为特征提取网络，其中包含了一系列卷积层、批次归一化层和Leaky ReLU激活函数。这一部分负责从输入图像中提取高级特征。

  3. 下采样层（Downsampling）： 在CSPDarknet53中，包含了多个下采样操作，使得特征图的尺寸逐渐减小。

  4. Neck（特征融合部分）： YOLOv5引入了PANet（Path Aggregation Network）用于特征融合，以更好地处理不同尺度的目标。PANet用于合并来自不同层次特征图的信息，提高了模型的性能。

  5. 检测头（Detection Head）： YOLOv5的检测头包括多个输出层，每个输出层负责检测不同尺寸的目标。每个输出层生成预测框的边界框坐标、类别概率以及目标存在的置信度。

  6. Anchor Boxes（锚框）： YOLOv5使用锚框（anchors）作为预测框的基准，不同尺度的特征图对应不同大小的锚框。

  7. 激活函数（Activation Function）： YOLOv5中使用的激活函数是Leaky ReLU，它在隐藏层中引入非线性。

  8. 损失函数（Loss Function）： YOLOv5使用的损失函数包括目标位置的均方误差、目标存在的二值交叉熵（BCE）以及类别概率的交叉熵。

YOLOv5的结构遵循先进的目标检测思想，通过使用不同尺度的特征图和锚框，以及引入特征融合的机制，实现对不同尺寸目标的有效检测。这种网络结构使得YOLOv5在速度和准确性之间取得了平衡，适用于多种目标检测任务。 

下面我们一点一点攻破这个难题。

1.yolov5网络

基于深度学习的目标检测主要包含三个部分：

骨干网络（Backbone）：用于特征提取，已在大型数据集(例如ImageNet|COCO等)上完成预训练，拥有预训练参数的卷积神经网络，例如：ResNet-50、Darknet53等

颈部网络(Neck)：在Backone和Head之间，会添加一些用于收集不同阶段中特征图的网络层。

头部网络（Head）：主要用于预测目标的种类和位置(bounding boxes)

基于深度学习的目标检测模型的结构是这样的：输入->主干->脖子->头->输出。主干网络提取特征，脖子提取一些更复杂的特征，然后头部计算预测输出。

 下面就是yolov5的主要网络结构：

  • 骨干网络（Backbone）: New CSP-Darknet53
  • 颈部网络(Neck): SPPF, New CSP-PAN
  • 头部网络（Head）: YOLOv3 Head

参考博客：YOLOv5【网络结构】超详细解读总结！！！建议收藏✨✨！_yolov5网络结构详解-CSDN博客

 yolov5官网给出了5中模型，我们下面就以yolov5s.yaml举例

 以上数据在官网，大家可以按需索取

 一般来说，map越高，参数量(params)越大,速度（speed）越慢，效果越好（需要根据具体模型，具体实验），模型的内存越大。

有一个问题，那就是下面的size变大了，为什么后面那些参数都比上面的大呢，先埋个坑，后面回答。还有那个TTA是什么呢。（可以先跳转到2.3部分看回答）

2.yolov5s.yaml配置部分

这个模型一共有25个模块。

  1. # YOLOv5 声明：本文内容由网友自发贡献，转载请注明出处：【wpsshop】
    推荐阅读
    相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。