YOLO v5網(wǎng)絡(luò)結(jié)構(gòu)

由上圖可知，YOLO v5主要由輸入端、Backone、Neck以及Prediction四部分組成。其中：

(1) **Backbone：**在不同圖像細(xì)粒度上聚合并形成圖像特征的卷積神經(jīng)網(wǎng)絡(luò)。

(2) **Neck：**一系列混合和組合圖像特征的網(wǎng)絡(luò)層，并將圖像特征傳遞到預(yù)測層。

(3) Head： 對圖像特征進(jìn)行預(yù)測，生成邊界框和并預(yù)測類別。

下面介紹YOLO v5各部分網(wǎng)絡(luò)包括的基礎(chǔ)組件：

**CBL：**由Conv+BN+Leaky_relu激活函數(shù)組成

**Res unit：**借鑒ResNet網(wǎng)絡(luò)中的殘差結(jié)構(gòu)，用來構(gòu)建深層網(wǎng)絡(luò)

**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

**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

**Focus：**首先將多個(gè)slice結(jié)果Concat起來，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

YOLO v5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

2.1Mosaic數(shù)據(jù)增強(qiáng)

Mosaic數(shù)據(jù)增強(qiáng)利用四張圖片，并且按照隨機(jī)縮放、隨機(jī)裁剪和隨機(jī)排布的方式對四張圖片進(jìn)行拼接，每一張圖片都有其對應(yīng)的框，將四張圖片拼接之后就獲得一張新的圖片，同時(shí)也獲得這張圖片對應(yīng)的框，然后我們將這樣一張新的圖片傳入到神經(jīng)網(wǎng)絡(luò)當(dāng)中去學(xué)習(xí)，相當(dāng)于一下子傳入四張圖片進(jìn)行學(xué)習(xí)了。該方法極大地豐富了檢測物體的背景，且在標(biāo)準(zhǔn)化BN計(jì)算的時(shí)候一下子計(jì)算四張圖片的數(shù)據(jù)，所以本身對batch size不是很依賴

2.2 自適應(yīng)錨框計(jì)算

在yolo系列算法中，針對不同的數(shù)據(jù)集，都需要設(shè)定特定長寬的錨點(diǎn)框。在網(wǎng)絡(luò)訓(xùn)練階段，模型在初始階段，模型在初始錨點(diǎn)框的基礎(chǔ)上輸出對應(yīng)的預(yù)測框，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)框是比較關(guān)鍵的一環(huán)。

在yolo V3和yolo V4中，訓(xùn)練不同的數(shù)據(jù)集，都是通過單獨(dú)的程序運(yùn)行來獲得初始錨點(diǎn)框。

而在yoloV5中將此功能嵌入到代碼中，每次訓(xùn)練，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，指令為：

2.3 自適應(yīng)圖片縮放

在目標(biāo)檢測算法中，不同的圖片長寬都不相同，因此常用的方式是將原始圖片統(tǒng)一縮放到一個(gè)標(biāo)準(zhǔn)尺寸，再送入檢測網(wǎng)絡(luò)中。而原始的縮放方法存在著一些問題，由于在實(shí)際的使用中的很多圖片的長寬比不同，因此縮放填充之后，兩端的黑邊大小都不相同，然而如果填充的過多，則會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YOLO v5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：

(1) 根據(jù)原始圖片大小以及輸入到網(wǎng)絡(luò)的圖片大小計(jì)算縮放比例

(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

(3) 計(jì)算黑邊填充數(shù)值