目錄

• • 1、需求解讀
  • 2、YOLOv5算法簡(jiǎn)介
  • 3、YOLOv5算法詳解
  • • 3.1 YOLOv5網(wǎng)絡(luò)架構(gòu)
    • 3.2 YOLOv5實(shí)現(xiàn)細(xì)節(jié)詳解
    • • 3.2.1 YOLOv5基礎(chǔ)組件
      • 3.2.2 輸入端細(xì)節(jié)詳解
      • 3.2.3 基準(zhǔn)網(wǎng)絡(luò)細(xì)節(jié)詳解
      • 3.2.4 Neck網(wǎng)絡(luò)細(xì)節(jié)詳解
      • 3.2.5 Head輸出端細(xì)節(jié)詳解
  • 4、YOLOv5網(wǎng)絡(luò)代碼實(shí)現(xiàn)
  • 5、YOLOv5效果展示與分析
  • • 5.1、YOLOv5客觀效果展示與分析
    • 5.2、YOLOv5主觀效果展示與分析
  • 6、總結(jié)與分析
  • 參考資料
  • 注意事項(xiàng)

1、需求解讀

??YOLOV4出現(xiàn)之后不久，YOLOv5橫空出世。YOLOv5在YOLOv4算法的基礎(chǔ)上做了進(jìn)一步的改進(jìn)，檢測(cè)性能得到進(jìn)一步的提升。雖然YOLOv5算法并沒(méi)有與YOLOv4算法進(jìn)行性能比較與分析，但是YOLOv5在COCO數(shù)據(jù)集上面的測(cè)試效果還是挺不錯(cuò)的。大家對(duì)YOLOv5算法的創(chuàng)新性半信半疑，有的人對(duì)其持肯定態(tài)度，有的人對(duì)其持否定態(tài)度。在我看來(lái)，YOLOv5檢測(cè)算法中還是存在很多可以學(xué)習(xí)的地方，雖然這些改進(jìn)思路看來(lái)比較簡(jiǎn)單或者創(chuàng)新點(diǎn)不足，但是它們確定可以提升檢測(cè)算法的性能。其實(shí)工業(yè)界往往更喜歡使用這些方法，而不是利用一個(gè)超級(jí)復(fù)雜的算法來(lái)獲得較高的檢測(cè)精度。本文將對(duì)YOLOv5檢測(cè)算法中提出的改進(jìn)思路進(jìn)行詳細(xì)的解說(shuō)，大家可以嘗試者將這些改進(jìn)思路應(yīng)用到其它的目標(biāo)檢測(cè)算法中。

2、YOLOv5算法簡(jiǎn)介

??YOLOv5是一種單階段目標(biāo)檢測(cè)算法，該算法在YOLOv4的基礎(chǔ)上添加了一些新的改進(jìn)思路，使其速度與精度都得到了極大的性能提升。主要的改進(jìn)思路如下所示：

• 輸入端：在模型訓(xùn)練階段，提出了一些改進(jìn)思路，主要包括Mosaic數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)算、自適應(yīng)圖片縮放；
• 基準(zhǔn)網(wǎng)絡(luò)：融合其它檢測(cè)算法中的一些新思路，主要包括：Focus結(jié)構(gòu)與CSP結(jié)構(gòu)；
• Neck網(wǎng)絡(luò)：目標(biāo)檢測(cè)網(wǎng)絡(luò)在BackBone與最后的Head輸出層之間往往會(huì)插入一些層，Yolov5中添加了FPN+PAN結(jié)構(gòu)；
• Head輸出層：輸出層的錨框機(jī)制與YOLOv4相同，主要改進(jìn)的是訓(xùn)練時(shí)的損失函數(shù)GIOU_Loss，以及預(yù)測(cè)框篩選的DIOU_nms。

3、YOLOv5算法詳解

3.1 YOLOv5網(wǎng)絡(luò)架構(gòu)

??上圖展示了YOLOv5目標(biāo)檢測(cè)算法的整體框圖。對(duì)于一個(gè)目標(biāo)檢測(cè)算法而言，我們通常可以將其劃分為4個(gè)通用的模塊，具體包括：輸入端、基準(zhǔn)網(wǎng)絡(luò)、Neck網(wǎng)絡(luò)與Head輸出端，對(duì)應(yīng)于上圖中的4個(gè)紅色模塊。YOLOv5算法具有4個(gè)版本，具體包括：YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四種，本文重點(diǎn)講解YOLOv5s，其它的版本都在該版本的基礎(chǔ)上對(duì)網(wǎng)絡(luò)進(jìn)行加深與加寬。

• 輸入端-輸入端表示輸入的圖片。該網(wǎng)絡(luò)的輸入圖像大小為608*608，該階段通常包含一個(gè)圖像預(yù)處理階段，即將輸入圖像縮放到網(wǎng)絡(luò)的輸入大小，并進(jìn)行歸一化等操作。在網(wǎng)絡(luò)訓(xùn)練階段，YOLOv5使用Mosaic數(shù)據(jù)增強(qiáng)操作提升模型的訓(xùn)練速度和網(wǎng)絡(luò)的精度；并提出了一種自適應(yīng)錨框計(jì)算與自適應(yīng)圖片縮放方法。
• 基準(zhǔn)網(wǎng)絡(luò)-基準(zhǔn)網(wǎng)絡(luò)通常是一些性能優(yōu)異的分類器種的網(wǎng)絡(luò)，該模塊用來(lái)提取一些通用的特征表示。YOLOv5中不僅使用了CSPDarknet53結(jié)構(gòu)，而且使用了Focus結(jié)構(gòu)作為基準(zhǔn)網(wǎng)絡(luò)。
• Neck網(wǎng)絡(luò)-Neck網(wǎng)絡(luò)通常位于基準(zhǔn)網(wǎng)絡(luò)和頭網(wǎng)絡(luò)的中間位置，利用它可以進(jìn)一步提升特征的多樣性及魯棒性。雖然YOLOv5同樣用到了SPP模塊、FPN+PAN模塊，但是實(shí)現(xiàn)的細(xì)節(jié)有些不同。
• Head輸出端-Head用來(lái)完成目標(biāo)檢測(cè)結(jié)果的輸出。針對(duì)不同的檢測(cè)算法，輸出端的分支個(gè)數(shù)不盡相同，通常包含一個(gè)分類分支和一個(gè)回歸分支。YOLOv4利用GIOU_Loss來(lái)代替Smooth L1 Loss函數(shù)，從而進(jìn)一步提升算法的檢測(cè)精度。

3.2 YOLOv5實(shí)現(xiàn)細(xì)節(jié)詳解

3.2.1 YOLOv5基礎(chǔ)組件

• CBL-CBL模塊由Conv+BN+Leaky_relu激活函數(shù)組成，如上圖中的模塊1所示。
• Res unit-借鑒ResNet網(wǎng)絡(luò)中的殘差結(jié)構(gòu)，用來(lái)構(gòu)建深層網(wǎng)絡(luò)，CBM是殘差模塊中的子模塊，如上圖中的模塊2所示。
• CSP1_X-借鑒CSPNet網(wǎng)絡(luò)結(jié)構(gòu)，該模塊由CBL模塊、Res unint模塊以及卷積層、Concate組成而成，如上圖中的模塊3所示。
• CSP2_X-借鑒CSPNet網(wǎng)絡(luò)結(jié)構(gòu)，該模塊由卷積層和X個(gè)Res unint模塊Concate組成而成，如上圖中的模塊4所示。
• Focus-如上圖中的模塊5所示，Focus結(jié)構(gòu)首先將多個(gè)slice結(jié)果Concat起來(lái)，然后將其送入CBL模塊中。
• SPP-采用1×1、5×5、9×9和13×13的最大池化方式，進(jìn)行多尺度特征融合，如上圖中的模塊6所示。

3.2.2 輸入端細(xì)節(jié)詳解

• Mosaic數(shù)據(jù)增強(qiáng)-YOLOv5中在訓(xùn)練模型階段仍然使用了Mosaic數(shù)據(jù)增強(qiáng)方法，該算法是在CutMix數(shù)據(jù)增強(qiáng)方法的基礎(chǔ)上改進(jìn)而來(lái)的。CutMix僅僅利用了兩張圖片進(jìn)行拼接，而Mosaic數(shù)據(jù)增強(qiáng)方法則采用了4張圖片，并且按照隨機(jī)縮放、隨機(jī)裁剪和隨機(jī)排布的方式進(jìn)行拼接而成，具體的效果如下圖所示。這種增強(qiáng)方法可以將幾張圖片組合成一張，這樣不僅可以豐富數(shù)據(jù)集的同時(shí)極大的提升網(wǎng)絡(luò)的訓(xùn)練速度，而且可以降低模型的內(nèi)存需求。
  
• 自適應(yīng)錨框計(jì)算-在YOLO系列算法中，針對(duì)不同的數(shù)據(jù)集，都需要設(shè)定特定長(zhǎng)寬的錨點(diǎn)框。在網(wǎng)絡(luò)訓(xùn)練階段，模型在初始錨點(diǎn)框的基礎(chǔ)上輸出對(duì)應(yīng)的預(yù)測(cè)框，計(jì)算其與GT框之間的差距，并執(zhí)行反向更新操作，從而更新整個(gè)網(wǎng)絡(luò)的參數(shù)，因此設(shè)定初始錨點(diǎn)框也是比較關(guān)鍵的一環(huán)。在YOLOv3和YOLOv4檢測(cè)算法中，訓(xùn)練不同的數(shù)據(jù)集時(shí)，都是通過(guò)單獨(dú)的程序運(yùn)行來(lái)獲得初始錨點(diǎn)框。YOLOv5中將此功能嵌入到代碼中，每次訓(xùn)練時(shí)，根據(jù)數(shù)據(jù)集的名稱自適應(yīng)的計(jì)算出最佳的錨點(diǎn)框，用戶可以根據(jù)自己的需求將功能關(guān)閉或者打開(kāi)，具體的指令為parser.add_argument(’–noautoanchor’, action=‘store_ true’, help=‘disable autoanchor check’)，如果需要打開(kāi)，只需要在訓(xùn)練代碼時(shí)增加–noautoanch or選項(xiàng)即可。
• 自適應(yīng)圖片縮放-針對(duì)不同的目標(biāo)檢測(cè)算法而言，我們通常需要執(zhí)行圖片縮放操作，即將原始的輸入圖片縮放到一個(gè)固定的尺寸，再將其送入檢測(cè)網(wǎng)絡(luò)中。YOLO系列算法中常用的尺寸包括416*416，608 *608等尺寸。原始的縮放方法存在著一些問(wèn)題，由于在實(shí)際的使用中的很多圖片的長(zhǎng)寬比不同，因此縮放填充之后，兩端的黑邊大小都不相同，然而如果填充的過(guò)多，則會(huì)存在大量的信息冗余，從而影響整個(gè)算法的推理速度。為了進(jìn)一步提升YOLOv5算法的推理速度，該算法提出一種方法能夠自適應(yīng)的添加最少的黑邊到縮放之后的圖片中。具體的實(shí)現(xiàn)步驟如下所述。
  步驟1-根據(jù)原始圖片大小與輸入到網(wǎng)絡(luò)圖片大小計(jì)算縮放比例。
  
  步驟2-根據(jù)原始圖片大小與縮放比例計(jì)算縮放后的圖片大小。
  
  步驟3-計(jì)算黑邊填充數(shù)值。
  
  ??如上圖所示，416表示YOLOv5網(wǎng)絡(luò)所要求的圖片寬度，312表示縮放后圖片的寬度。首先執(zhí)行相減操作來(lái)獲得需要填充的黑邊長(zhǎng)度104；然后對(duì)該數(shù)值執(zhí)行取余操作，即104%32=8，使用32是因?yàn)檎麄€(gè)YOLOv5網(wǎng)絡(luò)執(zhí)行了5次下采樣操作，即$2^5=32$；最后對(duì)該數(shù)值除以2，即將填充的區(qū)域分散到兩邊。這樣將416*416大小的圖片縮小到416*320大小，因而極大的提升了算法的推理速度。
  ??需要注意的是：（1）該操作僅在模型推理階段執(zhí)行，模型訓(xùn)練階段仍然和傳統(tǒng)的方法相同，將原始圖片裁剪到416*416大小；(2)YOLOv3與YOLOv4中默認(rèn)填充的數(shù)值是(0,0,0)，而YOLOv5中默認(rèn)填充的數(shù)值是(114,114,114)；（3）該操作僅僅針對(duì)原始圖片的短邊而言，仍然將長(zhǎng)邊裁剪到416。

3.2.3 基準(zhǔn)網(wǎng)絡(luò)細(xì)節(jié)詳解

• Focus結(jié)構(gòu)-該結(jié)構(gòu)的主要思想是通過(guò)slice操作來(lái)對(duì)輸入圖片進(jìn)行裁剪。如下圖所示，原始輸入圖片大小為608*608*3，經(jīng)過(guò)Slice與Concat操作之后輸出一個(gè)304*304*12的特征映射；接著經(jīng)過(guò)一個(gè)通道個(gè)數(shù)為32的Conv層（該通道個(gè)數(shù)僅僅針對(duì)的是YOLOv5s結(jié)構(gòu)，其它結(jié)構(gòu)會(huì)有相應(yīng)的變化），輸出一個(gè)304*304*32大小的特征映射。
  
• CSP結(jié)構(gòu)-YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)中，借鑒了CSPNet的設(shè)計(jì)思路，僅僅在主干網(wǎng)絡(luò)中設(shè)計(jì)了CSP結(jié)構(gòu)。而YOLOv5中設(shè)計(jì)了兩種CSP結(jié)構(gòu)，以YOLOv5s網(wǎng)絡(luò)為例，CSP1_X結(jié)構(gòu)應(yīng)用于Backbone主干網(wǎng)絡(luò)中，另一種CSP2_X結(jié)構(gòu)則應(yīng)用于Neck網(wǎng)絡(luò)中。CSP1_X與CSP2_X模塊的實(shí)現(xiàn)細(xì)節(jié)如3.1所示。

3.2.4 Neck網(wǎng)絡(luò)細(xì)節(jié)詳解

• FPN+PAN-YOLOv5的Neck網(wǎng)絡(luò)仍然使用了FPN+PAN結(jié)構(gòu)，但是在它的基礎(chǔ)上做了一些改進(jìn)操作，YOLOv4的Neck結(jié)構(gòu)中，采用的都是普通的卷積操作。而YOLOv5的Neck網(wǎng)絡(luò)中，采用借鑒CSPnet設(shè)計(jì)的CSP2結(jié)構(gòu)，從而加強(qiáng)網(wǎng)絡(luò)特征融合能力。下圖展示了YOLOv4與YOLOv5的Neck網(wǎng)絡(luò)的具體細(xì)節(jié)，通過(guò)比較我們可以發(fā)現(xiàn)：（1）灰色區(qū)域表示第1個(gè)不同點(diǎn)，YOLOv5不僅利用CSP2_\1結(jié)構(gòu)代替部分CBL模塊，而且去掉了下方的CBL模塊；（2）綠色區(qū)域表示第2個(gè)不同點(diǎn)，YOLOv5不僅將Concat操作之后的CBL模塊更換為CSP2_1模塊，而且更換了另外一個(gè)CBL模塊的位置；（3）藍(lán)色區(qū)域表示第3個(gè)不同點(diǎn)，YOLOv5中將原始的CBL模塊更換為CSP2_1模塊。
  

3.2.5 Head輸出端細(xì)節(jié)詳解

• GIoU_Loss-YOLOv5中采用GIoU_Loss做Bounding box的損失函數(shù)，更多的細(xì)節(jié)請(qǐng)參考這篇博客。

4、YOLOv5網(wǎng)絡(luò)代碼實(shí)現(xiàn)

# 檢測(cè)類 class Detect(nn.Module):stride = None # strides computed during buildexport = False # onnx exportdef __init__(self, nc=80, anchors=(), ch=()): # detection layersuper(Detect, self).__init__()self.nc = nc # number of classesself.no = nc + 5 # number of outputs per anchorself.nl = len(anchors) # number of detection layersself.na = len(anchors[0]) // 2 # number of anchorsself.grid = [torch.zeros(1)] * self.nl # init grida = torch.tensor(anchors).float().view(self.nl, -1, 2)self.register_buffer('anchors', a) # shape(nl,na,2)self.register_buffer('anchor_grid', a.clone().view(self.nl, 1, -1, 1, 1, 2)) # shape(nl,1,na,1,1,2)self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch) # output convdef forward(self, x):# x = x.copy() # for profilingz = [] # inference outputself.training |= self.exportfor i in range(self.nl):x[i] = self.m[i](x[i]) # convbs, _, ny, nx = x[i].shape # x(bs,255,20,20) to x(bs,3,20,20,85)x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()if not self.training: # inferenceif self.grid[i].shape[2:4] != x[i].shape[2:4]:self.grid[i] = self._make_grid(nx, ny).to(x[i].device)y = x[i].sigmoid()y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + self.grid[i].to(x[i].device)) * self.stride[i] # xyy[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # whz.append(y.view(bs, -1, self.no))return x if self.training else (torch.cat(z, 1), x)@staticmethoddef _make_grid(nx=20, ny=20):yv, xv = torch.meshgrid([torch.arange(ny), torch.arange(nx)])return torch.stack((xv, yv), 2).view((1, 1, ny, nx, 2)).float()# 根據(jù)配置的.yaml文件搭建模型 class Model(nn.Module):def __init__(self, cfg='yolov5s.yaml', ch=3, nc=None): # model, input channels, number of classessuper(Model, self).__init__()if isinstance(cfg, dict):self.yaml = cfg # model dictelse: # is *.yamlimport yaml # for torch hubself.yaml_file = Path(cfg).namewith open(cfg) as f:self.yaml = yaml.load(f, Loader=yaml.SafeLoader) # model dict# Define modelch = self.yaml['ch'] = self.yaml.get('ch', ch) # input channelsif nc and nc != self.yaml['nc']:logger.info('Overriding model.yaml nc=%g with nc=%g' % (self.yaml['nc'], nc))self.yaml['nc'] = nc # override yaml valueself.model, self.save = parse_model(deepcopy(self.yaml), ch=[ch]) # model, savelistself.names = [str(i) for i in range(self.yaml['nc'])] # default names# print([x.shape for x in self.forward(torch.zeros(1, ch, 64, 64))])# Build strides, anchorsm = self.model[-1] # Detect()if isinstance(m, Detect):s = 256 # 2x min stridem.stride = torch.tensor([s / x.shape[-2] for x in self.forward(torch.zeros(1, ch, s, s))]) # forwardm.anchors /= m.stride.view(-1, 1, 1)check_anchor_order(m)self.stride = m.strideself._initialize_biases() # only run once# print('Strides: %s' % m.stride.tolist())# Init weights, biasesinitialize_weights(self)self.info()logger.info('')def forward(self, x, augment=False, profile=False):if augment:img_size = x.shape[-2:] # height, widths = [1, 0.83, 0.67] # scalesf = [None, 3, None] # flips (2-ud, 3-lr)y = [] # outputsfor si, fi in zip(s, f):xi = scale_img(x.flip(fi) if fi else x, si, gs=int(self.stride.max()))yi = self.forward_once(xi)[0] # forward# cv2.imwrite(f'img_{si}.jpg', 255 * xi[0].cpu().numpy().transpose((1, 2, 0))[:, :, ::-1]) # saveyi[..., :4] /= si # de-scaleif fi == 2:yi[..., 1] = img_size[0] - yi[..., 1] # de-flip udelif fi == 3:yi[..., 0] = img_size[1] - yi[..., 0] # de-flip lry.append(yi)return torch.cat(y, 1), None # augmented inference, trainelse:return self.forward_once(x, profile) # single-scale inference, traindef forward_once(self, x, profile=False):y, dt = [], [] # outputsfor m in self.model:if m.f != -1: # if not from previous layerx = y[m.f] if isinstance(m.f, int) else [x if j == -1 else y[j] for j in m.f] # from earlier layersif profile:o = thop.profile(m, inputs=(x,), verbose=False)[0] / 1E9 * 2 if thop else 0 # FLOPSt = time_synchronized()for _ in range(10):_ = m(x)dt.append((time_synchronized() - t) * 100)print('%10.1f%10.0f%10.1fms %-40s' % (o, m.np, dt[-1], m.type))x = m(x) # runy.append(x if m.i in self.save else None) # save outputif profile:print('%.1fms total' % sum(dt))return xdef _initialize_biases(self, cf=None): # initialize biases into Detect(), cf is class frequency# https://arxiv.org/abs/1708.02002 section 3.3# cf = torch.bincount(torch.tensor(np.concatenate(dataset.labels, 0)[:, 0]).long(), minlength=nc) + 1.m = self.model[-1] # Detect() modulefor mi, s in zip(m.m, m.stride): # fromb = mi.bias.view(m.na, -1) # conv.bias(255) to (3,85)b.data[:, 4] += math.log(8 / (640 / s) ** 2) # obj (8 objects per 640 image)b.data[:, 5:] += math.log(0.6 / (m.nc - 0.99)) if cf is None else torch.log(cf / cf.sum()) # clsmi.bias = torch.nn.Parameter(b.view(-1), requires_grad=True)def _print_biases(self):m = self.model[-1] # Detect() modulefor mi in m.m: # fromb = mi.bias.detach().view(m.na, -1).T # conv.bias(255) to (3,85)print(('%6g Conv2d.bias:' + '%10.3g' * 6) % (mi.weight.shape[1], *b[:5].mean(1).tolist(), b[5:].mean()))# def _print_weights(self):# for m in self.model.modules():# if type(m) is Bottleneck:# print('%10.3g' % (m.w.detach().sigmoid() * 2)) # shortcut weightsdef fuse(self): # fuse model Conv2d() + BatchNorm2d() layersprint('Fusing layers... ')for m in self.model.modules():if type(m) is Conv and hasattr(m, 'bn'):m.conv = fuse_conv_and_bn(m.conv, m.bn) # update convdelattr(m, 'bn') # remove batchnormm.forward = m.fuseforward # update forwardself.info()return selfdef nms(self, mode=True): # add or remove NMS modulepresent = type(self.model[-1]) is NMS # last layer is NMSif mode and not present:print('Adding NMS... ')m = NMS() # modulem.f = -1 # fromm.i = self.model[-1].i + 1 # indexself.model.add_module(name='%s' % m.i, module=m) # addself.eval()elif not mode and present:print('Removing NMS... ')self.model = self.model[:-1] # removereturn selfdef autoshape(self): # add autoShape moduleprint('Adding autoShape... ')m = autoShape(self) # wrap modelcopy_attr(m, self, include=('yaml', 'nc', 'hyp', 'names', 'stride'), exclude=()) # copy attributesreturn mdef info(self, verbose=False, img_size=640): # print model informationmodel_info(self, verbose, img_size)# 解析模型 def parse_model(d, ch): # model_dict, input_channels(3)logger.info('\n%3s%18s%3s%10s %-40s%-30s' % ('', 'from', 'n', 'params', 'module', 'arguments'))anchors, nc, gd, gw = d['anchors'], d['nc'], d['depth_multiple'], d['width_multiple']na = (len(anchors[0]) // 2) if isinstance(anchors, list) else anchors # number of anchorsno = na * (nc + 5) # number of outputs = anchors * (classes + 5)layers, save, c2 = [], [], ch[-1] # layers, savelist, ch outfor i, (f, n, m, args) in enumerate(d['backbone'] + d['head']): # from, number, module, argsm = eval(m) if isinstance(m, str) else m # eval stringsfor j, a in enumerate(args):try:args[j] = eval(a) if isinstance(a, str) else a # eval stringsexcept:passn = max(round(n * gd), 1) if n > 1 else n # depth gainif m in [Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, DWConv, MixConv2d, Focus, CrossConv, BottleneckCSP,C3]:c1, c2 = ch[f], args[0]# Normal# if i > 0 and args[0] != no: # channel expansion factor# ex = 1.75 # exponential (default 2.0)# e = math.log(c2 / ch[1]) / math.log(2)# c2 = int(ch[1] * ex ** e)# if m != Focus:c2 = make_divisible(c2 * gw, 8) if c2 != no else c2# Experimental# if i > 0 and args[0] != no: # channel expansion factor# ex = 1 + gw # exponential (default 2.0)# ch1 = 32 # ch[1]# e = math.log(c2 / ch1) / math.log(2) # level 1-n# c2 = int(ch1 * ex ** e)# if m != Focus:# c2 = make_divisible(c2, 8) if c2 != no else c2args = [c1, c2, *args[1:]]if m in [BottleneckCSP, C3]:args.insert(2, n)n = 1elif m is nn.BatchNorm2d:args = [ch[f]]elif m is Concat:c2 = sum([ch[x if x < 0 else x + 1] for x in f])elif m is Detect:args.append([ch[x + 1] for x in f])if isinstance(args[1], int): # number of anchorsargs[1] = [list(range(args[1] * 2))] * len(f)elif m is Contract:c2 = ch[f if f < 0 else f + 1] * args[0] ** 2elif m is Expand:c2 = ch[f if f < 0 else f + 1] // args[0] ** 2else:c2 = ch[f if f < 0 else f + 1]m_ = nn.Sequential(*[m(*args) for _ in range(n)]) if n > 1 else m(*args) # modulet = str(m)[8:-2].replace('__main__.', '') # module typenp = sum([x.numel() for x in m_.parameters()]) # number paramsm_.i, m_.f, m_.type, m_.np = i, f, t, np # attach index, 'from' index, type, number paramslogger.info('%3s%18s%3s%10.0f %-40s%-30s' % (i, f, n, np, t, args)) # printsave.extend(x % i for x in ([f] if isinstance(f, int) else f) if x != -1) # append to savelistlayers.append(m_)ch.append(c2)return nn.Sequential(*layers), sorted(save)

5、YOLOv5效果展示與分析

5.1、YOLOv5客觀效果展示與分析

??上圖展示了不同版本的YOLOv5與EfficientDet檢測(cè)算法之間的性能比較曲線圖。橫軸表示的是該算法在GPU上面的推理時(shí)間(ms/img)，該數(shù)值越小越好；縱軸表示的是該算法在COCO測(cè)試數(shù)據(jù)集上面的AP指標(biāo)，該數(shù)值越大越好。通過(guò)觀察我們可以得出以下的初步結(jié)論：（1）與EfficientDet0相比，YOLOv5s不僅可以獲得更高的AP指標(biāo)，而且可以獲得更快的推理速度；（2）與EfficientDet4相比，YOLOv5x不僅能夠獲得更高的AP指標(biāo)，其推理速度是它的1/5左右。

??上表展示了不同版本的YOLOv5檢測(cè)算法在COCO2017驗(yàn)證集與測(cè)試集上面的各項(xiàng)指標(biāo)，具體包括：模型輸入大小、AP50指標(biāo)、Speed、FPS、params與GFLOPS。通過(guò)觀察我們可以得出以下的初步結(jié)論：（1）YOLOv5s的輸入圖片分辨率為640*640，在COCO測(cè)試集與驗(yàn)證集上面的AP指標(biāo)為36.8，AP50指標(biāo)為55.6。該算法在V100 GPU上面的推理速度僅僅需要2.2ms，幀率為455FPS，該網(wǎng)絡(luò)的模型大小僅為7.3M；（2）YOLOv5x的輸入圖像分辨率為640*640，在COCO測(cè)試集與驗(yàn)證集上面的AP指標(biāo)為50.1，AP50指標(biāo)為68.7。該算法在V100 GPU上面的推理速度僅僅需要6.0ms，幀率為167FPS，該網(wǎng)絡(luò)的模型大小為87.7M。（3）我們可以根據(jù)現(xiàn)實(shí)場(chǎng)景的需要選擇合適的模型，如果我們關(guān)注速度的話可以選擇YOLOv5s模型；如果我們關(guān)注精度的話可以選擇YOLOv5x模型。

5.2、YOLOv5主觀效果展示與分析

yolov5 行人檢測(cè)_車輛檢測(cè)_電動(dòng)車檢測(cè)識(shí)別_交通標(biāo)志識(shí)別

yolo5 車輛行人檢測(cè)

6、總結(jié)與分析

??YOLOv5是一種單階段目標(biāo)檢測(cè)算法，該算法在YOLOv4的基礎(chǔ)上添加了一些新的改進(jìn)思路，使得其速度與精度都得到了極大的性能提升，具體包括：輸入端的Mosaic數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)算、自適應(yīng)圖片縮放操作；基準(zhǔn)端的Focus結(jié)構(gòu)與CSP結(jié)構(gòu)；Neck端的SPP與FPN+PAN結(jié)構(gòu)；輸出端的損失函數(shù)GIOU_Loss以及預(yù)測(cè)框篩選的DIOU_nms。除此之外，YOLOv5中的各種改進(jìn)思路仍然可以應(yīng)用到其它的目標(biāo)檢測(cè)算法中。

參考資料

[1] 博客鏈接1

注意事項(xiàng)

[1] 該博客是本人原創(chuàng)博客，如果您對(duì)該博客感興趣，想要轉(zhuǎn)載該博客，請(qǐng)與我聯(lián)系（qq郵箱：1575262785@qq.com）,我會(huì)在第一時(shí)間回復(fù)大家，謝謝大家的關(guān)注。
[2] 由于個(gè)人能力有限，該博客可能存在很多的問(wèn)題，希望大家能夠提出改進(jìn)意見(jiàn)。
[3] 如果您在閱讀本博客時(shí)遇到不理解的地方，希望您可以聯(lián)系我，我會(huì)及時(shí)的回復(fù)您，和您交流想法和意見(jiàn)，謝謝。
[4] 本文中部分圖像的版權(quán)歸江大白所有。

總結(jié)

以上是生活随笔為你收集整理的YOLOv5算法详解的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。