本博客是个人通过对v5网络的学习和研究而总结的学习笔记，主要参考B站up主霹雳巴拉，如果感觉本博客看不太明白，推荐去B站看这样up主。同时本博客也是个人复习学习笔记。
YOLOV5是在v4出现不久就开始更新迭代的产品，其主要也是对v4做进一步改进工作。
下面是整个v5涉及到的变化的内容以及要注意的点：
下面开始重点笔记区别点：
1、网络架构修改。就像v1，v2，v3，v3spp，v4常规迭代一样，网络架构都会经过一定的调整。相对v4而言，v5中不使用cspdocknet53结构了，而是使用作者重新修改完的架构。
1）如上图所示，基础结构被更换了，一直到SPPF之前都是作者自己搞的基础骨干网络，也就是所谓的new cspdarknet53。
3） 在v4中，pan结构就是先低层下采样与高层融合，然后在高层上采用和底层融合得到输出即可，中间没有增加结构性的东西，像v4或者v3spp中基础架构中的模块，但是在v5中，增加了c模块。
2、数据增强
它使用了一些列的数据增强方案：
1）就是普遍使用的mosaic增强。图片四合一，然后通过仿射变换旋转缩放和平移。
3、训练策略：
1）为了增加多尺度信息的训练，所以将图片放缩0.5到1.5倍不等大小。
2）如果该数据集中目标大小和anchor大小不匹配，那么我们就应该重新根据数据集聚类生成anchor
3）调整学习率
4）加入动量，使得输出更加平滑，这个动量在求loss，优化器中也能见到
5）混合精度训练
6）超参数评估设置
4、计算loss相关的，包括如何选择正样本，如何平衡不同尺度损失，如何消除grid敏感度问题等
1）损失计算，我们在回归参数上只计算正样本，在类别损失上只计算正样本，只有在置信度损失上计算正负样本
4）选择正样本。所以预测前后宽高比例为1：4，即可能是预测后和预测前比，业可能是预测前和预测后比。因此我们可以缩放anchor模板框从0.25到4倍大小。只要真实框在这个倍率范围内的模板内，就说这个模板是正样本。然后还按照v4的第二步，选择属于哪一方格的模板框，顺便选择四周近距离的方格模板框也是正样本。
这些就是个人学习理解的过程，有理解不对的地方希望可以在评论区批评指针，共同学习进步！
Original: https://blog.csdn.net/weixin_43650802/article/details/124495620
Author: C-V御用工程师
Title: 目标检测算法之YOLOV5
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/683081/
转载文章受原作者版权保护。转载请注明原作者出处！