参考文章
：
深入浅出Yolo系列之Yolov5核心基础知识完整讲解 – 江大白*
参考视频教程
：
目标检测基础——YOLO系列模型（理论和代码复现）– PULSE_
0.V4 & V5
yolo v5和v4前后推出只有两个月，其实V5和V4都是V3推出后，根据V3的改进。因此严格来说算是两个版本的V4,两者的大体思路都比较相似，不同的地方主要是细节地方对于前沿技术的使用，各有其优点。V4的优点在于准确性更高。V5的优点是有四种深度宽度的模型，可以根据要检测的物体大小，项目量级来选择不同的模型，灵活性更高。
V4学习笔记
YOLO V5主要改进(对比V3)
(1) 输入端：Mosaic数据增强、自适应锚框计算、自适应图片缩放
(2) Backbone : Focus结构、CPS结构
(3) Neck : FPN + PAN结构
(4) Prediction : GIOU_LOSS
1.输入端改进
(1) 自适应锚框计算
YOLO V3和V4中的锚点框大小都是预先通过聚类算法计算的，在单独的程序中运行。
V5的创新在于，将锚框的计算嵌入到训练中：在训练中，在初试设定好的锚框的基础上输出预测框，然后和Ground-truth进行对比计算Loss，再进行更新，从而不断更新锚点框大小。通过这种方法,V5可以在不同训练集中通过自适应的计算出最佳的锚框值。
(2) 自适应图片缩放
YOLO以前版本使用的图片长宽比通常都是1:1，而在实际检测项目中，很多图片的长宽比不同。如果强行填充为1:1,那么像以下的长方形图片，上下方都要填充比较多的黑边。这样会存在信息冗余问题，从而影响推理速度。
V5针对该问题进行了改进。具体操作如下:
计算缩放比例
获得长宽不同的缩放比例后，选取比较小的缩放系数(上图的0.52),然后将原图的长宽都乘以该系数。
填充黑边
为了保证长宽边都是32的倍数(YOLO 5次下采样，32倍缩小)，因此要对较短的边进行填充，具体操作如下所示：
通过这种思路，可以大大减少图片缩放后要填充的黑边。在推理时，计算量大大减少、即目标检测速度会得到提升。(缩减黑边通常用在
测试即模型推理
的时候，因为其作用也是提升推理速度。在训练时还是采用传统填充的方式)
2.Backbone改进
(1) Focus结构
看结构有点像YOLO V2中提到的 passthrough 操作。假设输入图片为608x608x3,则通过切片操作，可以变成304x304x12的特征图。Foucus结构中，还在最后加了一个卷积核，以5S（上图）为例，最后会变成304x304x32的特征图。
通过这种切片结构，可以保留更多的细粒度特征
(2) CSP结构
YOLO V5的CSP结构和V4有所不同，V4的CSP结构只应用于backbone区域。V5则是设计了两种CSP结构，如下图所示。
CSP1_x主要应用于Backbone主干网络，结构和V4类似。CSP2_X则应用于Neck模块中，没有残差组件。
3.Neck改进
YOLO V5学习了V4的思路，也是使用了将强语义特征和强定位特征融合的FPN+PAN结构。
主要的不同是，采用了上篇提到的CSP_2X代替了V4的普通卷积结构，加强了网络特征融合的能力。
4.输出端
(1) GIOU_LOSS损失函数
YOLO V5使用了之前V4中提到的GIOU_LOSS，主要解决了预测框和目标框无法判断相交方向和是否相交的问题
但是与V4相比不足的就是，包裹问题和长宽比问题无法解决
其次就是V5对于框重合度的筛选还是使用了之前的nms方式，相比于V4的DIOU_LOSS，对于实际测试框重合度的筛选能力稍弱。
因此，可以在V5的基础上吸收V4的缺点，引入CIOU_loss+DIOU_nms的结构，可以将重叠的目标分割出来，不过也会相应的增加一些计算成本。
5.YOLO V5四种结构
（depth_multiple控制网络的深度，width_multiple控制网络的宽度）
如上图所示，四种不同结构的BackBone和Neck深度和宽度都各有不同，其中以5S最浅(窄)到5X最深(宽)。YOLO V5中，网络不断加深，网络特征提取和特征融合的能力也原来越强，因此计算量也越来越大(可以按需选择不同型号)
(1)深度控制
以上图为例，第一个CSP1中，5S使用了1个残差组件(CSP1_1),5m则使用了两个残差组件(CSP1_2),往后以此类推。
第一个CSP2结构中，5时使用了2×1(X)=2组卷积(CSP2_1),5m则使用了2×2=4组卷积(CSP2_2)。
如何控制深度？
控制深度结构的核心代码在yolo.py中，通过n和gd(height_multiple)两个参数控制网络的变化
以CSP1为例，yolov5s的height_multiole=0.33,即gd=0.33,n则是由上面的红色框中获得。在上述代码中，n为框中的第二个数值3。
代入上述代码，可以算出max(0.33×3,1) = 1，因此就可以算出只有一个残差组件，即CSP1_1。
第二个CSP1结构也是同理，n=9,max(0.33×9,1)=3，因此V5S的第二个CSP1组件中由3个残差组件(CSP1_3)
yolov5l原理也是一样，其height_multiple=1,gd=1。因此第一个CSP1结构中，n=3,max(3×1,1) = 3，所以第一个CSP结构为CSP1_3。
(2)宽度控制
宽度其实就是每一层中卷积核的数量(厚度)–特征图的第三维度(13x13x
32
)
以Yolov5s为例，第一个Focus结构中，最后卷积时，卷积核数量为32个，因此经过Focus结构后，特征图的大小变成304x304x32.V5m的Focus结构中用了48个卷积核，最后特征图变成了304x304x48，其他也是同理。
第二个卷积操作也是同理，卷积核中用了不同数量的卷积核（不同的宽度），所以特征图数量也不一样。
卷积核的数量越多，特征图的宽度越宽，网络提取特征的学习能力也越强，当然计算量也越来越大。
如何控制宽度
？
控制宽度的代码同样在yolo.py中
其中gw就等于上面设置的width_multiple参数
以yolov5s为例，width_multipl = gw = 0.5,C2就是上图框出的数字
在Focus结构中，标准的c2=64，gw=0.5，代入公式计算，最后的结果=32，所以在V5s的Focus结构中，卷积下采样操作的卷积核为32个。
第二个卷积层也是一样，128×0.5=64，结果正确。
其他层的计算原理以此类推。
总结
YOLO V5是在V3基础上的一次改进，和YOLO V4相比，在灵活性上有很大优势，对于不同项目选择不同的模型，有利于资源的合理利用。V4的优势则在于准确性。