Yolov5通俗易懂网络结构详解_yolov5网络结构详解

1、总体结构

• YOLOV5网络结构可分三层，Backbone、Neck、Head。通常修改网络结构会替换和修改这三个层面。

1.1Backbone-CSP基于DenseNet的跳跃融合方式

• 大家一定知道resnet这个网络，后面从resnet启发下，出现了Desnet。但是不难看出，所做的事情就是把高级特征和低级特征进行融合。这这样可以更好的提取图片特征。

Backbone-CSP和Densenet的跳跃融合方式是差不多的。

1.2Neck-PANet（站在巨人肩膀上的PANet）

提取好特征之后需要进一步提取特征。下面是方法的演变过程，由易到难。
1、第一种基础结构就是在最终层进行预测处理，这是最原始的预测方式。
2、第二种是先建立图片金字塔再进行预测处理，主要是为了检测不同尺寸的同种物体（又称尺寸不变形）。
3、第三种是每一层卷积之后都进行预测。
4、将高层特征和低层特征融合后进行预测。

a、是FPN单向融合金字塔
b、是PANet双向融合金字塔

看完上面，再看YOLOV5的原来的PANet结构应该很清楚了。

1.3Head-output

三个输出层对应三个不同的分辨率。高分辨率层可以检测小目标，低分辨率层可以检测大目标。

2、输出解码

• YOLOV5输出层为20×20×255,40×40×255,80×80×255的尺寸，分别对应8、16、32倍下采样。
  

• 每个尺寸对应不同的anchor_box。可看出尺度越小检测目标越大。 ，需要的anchorbox尺度就越大。
  

• 20×20×255=20×20×3×85
  40×40×255=40×40×3×85
  80×80×255=80×80×3×85
  这里的3代表着三个不同尺度的检测结果，用途是尺寸可变性。（是为了检测同一物体的不同尺寸？）
  
  最终的输出层为[1,25200,85]