YOLOv5学习_yolo v5 图像resize

YOLOv5学习总结

• 训练效果（持续更新）
• 前言
• 网络结构可视化
• • yolov3
  • yolov4
  • yolov5
• 核心基础内容
• • Mosaic数据增强
  • 自适应锚框计算
  • 自适应图片缩放
  • Focus结构
  • CSP结构
  • neck部分
  • 输出端
  • • GIOU
    • DIoU
    • CIOU
  • nms非极大值抑制
• Yolov5四种网络的深度
• Yolov5四种网络的宽度

转载：首先感谢江大白大佬的研究与分享，贴上链接       深入浅出Yolo系列之Yolov5核心基础知识完整讲解   转载网站：https://blog.csdn.net/weixin_38842821/article/details/108544609
将yolov3-v5的变化讲的很清楚，思路很清晰，值得花时间好好从头到尾读一遍。

训练效果

先贴结果，自己试了组工牌胸牌检测（yolov5s)，100个epoch的mAP@.5 达到0.95，效果真的不错,检测速度也很快，一张图0.009s（2080TI),cpu上速度待测试，yolov5其他模型待测试。

前言

YOLOv4出来后不久，又出现了YOLOv5，虽然作者没有放上和YOLOv4的直接测试对比，但在COCO数据集的测试效果还是很可观的。

很多人考虑到YOLOv5的创新性不足，对算法是否能够进化，称得上YOLOv5而议论纷纷。

但既然称之为YOLOv5，也有很多非常不错的地方值得我们学习。不过因为Yolov5的网络结构和v3、v4相比，不好可视化，导致很多人看YOLOv5看的云里雾里。

网络结构可视化

为了方便对比，顺便把yolov3和v4的网络结构图贴出来

yolov3

(yolov3的特点后续更新)

yolov4

简单提两句，yolov4在yolov3的基础上增加了近两年的研究成果

1. 输入端采用mosaic数据增强
2. Backbone上采用了CSPDarknet53、Mish激活函数、Dropblock等方式。（cspnet减少了计算量的同时可以保证准确率）
3. Mish函数为M i s h = x ∗ t a n h ( l n ( 1 + e x ) ) Mish = x * tanh(ln(1+e^x))Mish=x∗tanh(ln(1+ex))