1.输入端：
（1）Mosica数据增强
采用了和Yolov4一样的Mosaic数据增强的方式
（2）自适应锚框计算
在Yolov3、Yolov4中，训练不同的数据集时，计算初始anchor的值是通过单独的程序运行的。
但Yolov5中将此功能嵌入到代码中，每次训练时，自适应的计算不同训练集中的最佳锚框值。
当然，如果觉得计算的锚框效果不是很好，也可以在代码中将自动计算锚框功能
关闭
。
控制的代码即
train.py
中上面一行代码，设置成
False
，每次训练时，不会自动计算。
（3）自适应图片缩放
注意：训练时使用传统的缩放方式，测试时才使用自适应图片缩放。
第一步：计算缩放比例，选取最小的比例
第二步：计算缩放后的尺寸
第三步：计算黑边填充数值，最后的高度要能被32整除
2.Backbone
（1）Focus结构
（2）
CSP结构
Yolov4和Yolov5都使用了CSP结构。而yolov4只在backbone中使用了CSP结构，yolov5有两种CSP结构，以
Yolov5s网络
为例，
CSP1_X结构
应用于
Backbone主干网络
，另一种
CSP2_X
结构则应用于
Neck
中。
yolov4
yolov5
3. Neck
和Yolov4中一样，都采用FPN+PAN的结构。但两者有差别：Yolov4的Neck结构中，采用的都是普通的卷积操作。而Yolov5的Neck结构中，采用借鉴CSPnet设计的CSP2结构，加强网络特征融合的能力。
4.输出端
（1）Bounding box损失函数
和yolov4一样，Yolov5中采用其中的CIOU_Loss做Bounding box的损失函数。
（2）
nms非极大值抑制
Yolov4在DIOU_Loss的基础上采用DIOU_nms的方式，而Yolov5中采用加权nms的方式。