1. Johngo学长首页
  2. 技术点详细复盘专题
  3. 人工智能

YOLOv5网络详解

• 人工智能 • 阅读 61

官方源码仓库：https://github.com/ultralytics/yolov5
文章下载地址：没有

视频讲解：https://www.bilibili.com/video/BV1T3411p7zR

文章目录

*
– 0 前言
– 1 网络结构
– 2 数据增强
– 3 训练策略
– 4 其他
–
+ 4.1 损失计算
+ 4.2 平衡不同尺度的损失
+ 4.3 消除Grid敏感度
+ 4.4 匹配正样本(Build Targets)

0 前言

在前面我们已经介绍过了YOLOv1~v4的网络的结构，今天接着上次的YOLOv4再来聊聊YOLOv5，如果还不了解YOLOv4的可以参考之前的博文。YOLOv5项目的作者是 Glenn Jocher并不是原 Darknet项目的作者 Joseph Redmon。并且这个项目至今都没有发表过正式的论文。之前翻阅该项目的 issue时，发现有很多人问过这个问题，有兴趣的可以翻翻这个issue #1333。作者当时也有说准备在2021年的12月1号之前发表，并承诺如果到时候没有发表就吃掉自己的帽子。

YOLOv5网络详解

(⊙o⊙)…，emmm，但这都2022年了，也不知道他的帽子是啥味儿。过了他承诺的发表期限后，很多人还去该 issue下表示”关怀”，问啥时候吃帽子，下面这位大哥给我整笑了。

YOLOv5网络详解
本来 Glenn Jocher是准备要发表论文的，但至于为啥没发成作者并没有给出原因。我个人的猜测是自从YOLOv4发表后，有很多人想发这方面的文章，然后在YOLOv4上进行改动，改动过程中肯定有人把YOLOv5仓库里的一些技术拿去用了（YOLOv4论文4月出的，YOLOv5仓库5月就有了）。大家改完后发了一堆文章，那么YOLOv5的技术就被零零散散的发表到各个文章中去了。 Glenn Jocher一看，这也太卷了吧，你们都把我技术写了，那我还写个锤子，直接撂挑子不干了。

当然以上都是我个人yy哈，回归正题，YOLOv5仓库是在 2020-05-18创建的，到今天已经迭代了很多个大版本了，现在（ 2022-3-19）已经迭代到 v6.1了。所以本篇博文讲的内容是针对 v6.1的，大家阅读的时候注意看下版本号，不同的版本内容会略有不同。前几天我在YOLOv5项目中向作者提了一个issue #6998，主要是根据当前的源码做了一个简单的总结，然后想让作者帮忙看看总结的内容是否有误，根据作者的反馈应该是没啥问题的，所以今天就来谈谈我个人的见解。下表是当前(v6.1)官网贴出的关于不同大小模型以及输入尺度对应的 mAP、推理速度、参数数量以及理论计算量 FLOPs。

Modelsize

(pixels)mAPval

0.5:0.95mAPval

0.5Speed

CPU b1

(ms)Speed

V100 b1

(ms)Speed

V100 b32

(ms)params

(M)FLOPs

@640 (B)YOLOv5n64028.045.7
45 6.3 0.6 1.9 4.5

YOLOv5s64037.456.8986.40.97.216.5YOLOv5m64045.464.12248.21.721.249.0YOLOv5l64049.067.343010.12.746.5109.1YOLOv5x64050.768.976612.14.886.7205.7YOLOv5n6128036.054.41538.12.13.24.6YOLOv5s6128044.863.73858.23.612.616.8YOLOv5m6128051.369.388711.16.835.750.0YOLOv5l6128053.771.3178415.810.576.8111.4YOLOv5x6

  • TTA1280

153655.0

55.8

72.7

72.7

3136

-26.2

-19.4

-140.7

-209.8

; 1 网络结构

关于YOLOv5的网络结构其实网上相关的讲解已经有很多了。网络结构主要由以下几部分组成：

  • Backbone: New CSP-Darknet53
  • Neck: SPPF, New CSP-PAN
  • Head: YOLOv3 Head

下面是我根据 yolov5l.yaml绘制的网络整体结构，YOLOv5针对不同大小（ n, s, m, l, x）的网络整体架构都是一样的，只不过会在每个子模块中采用不同的深度和宽度，分别应对 yaml文件中的 depth_multiple和 width_multiple参数。还需要注意一点，官方除了 n, s, m, l, x版本外还有 n6, s6, m6, l6, x6，区别在于后者是针对更大分辨率的图片比如 1280x1280，当然结构上也有些差异，后者会下采样64倍，采用4个预测特征层，而前者只会下采样到32倍且采用3个预测特征层。本博文只讨论前者。下面这幅图（ yolov5l）有点大，大家可以下载下来仔细看一下。

YOLOv5网络详解

通过和上篇博文讲的YOLOv4对比，其实YOLOv5在 Backbone部分没太大变化。但是YOLOv5在 v6.0版本后相比之前版本有一个很小的改动，把网络的第一层（原来是 Focus模块）换成了一个 6x6大小的卷积层。 两者在理论上其实等价的，但是对于现有的一些GPU设备（以及相应的优化算法）使用 6x6大小的卷积层比使用 Focus模块更加高效。详情可以参考这个issue #4825。下图是原来的 Focus模块(和之前 Swin Transformer中的 Patch Merging类似)，将每个 2x2的相邻像素划分为一个 patch，然后将每个 patch中相同位置（同一颜色）像素给拼在一起就得到了4个 feature map，然后在接上一个 3x3大小的卷积层。这和直接使用一个 6x6大小的卷积层等效。

YOLOv5网络详解

在 Neck部分的变化还是相对较大的，首先是将 SPP换成成了 SPPF（ Glenn Jocher自己设计的），这个改动我个人觉得还是很有意思的，两者的作用是一样的，但后者效率更高。 SPP结构如下图所示，是将输入并行通过多个不同大小的 MaxPool，然后做进一步融合，能在一定程度上解决目标多尺度问题。

YOLOv5网络详解
而 SPPF结构是将输入串行通过多个 5x5大小的 MaxPool层，这里需要注意的是串行两个 5x5大小的 MaxPool层是和一个 9x9大小的 MaxPool层计算结果是一样的，串行三个 5x5大小的 MaxPool层是和一个 13x13大小的 MaxPool层计算结果是一样的。

YOLOv5网络详解

下面做个简单的小实验，对比下 SPP和 SPPF的计算结果以及速度，代码如下（注意这里将 SPPF中最开始和结尾处的 1x1卷积层给去掉了，只对比含有 MaxPool的部分）：

import time
import torch
import torch.nn as nn

class SPP(nn.Module):
    def __init__(self):
        super().__init__()
        self.maxpool1 = nn.MaxPool2d(5, 1, padding=2)
        self.maxpool2 = nn.MaxPool2d(9, 1, padding=4)
        self.maxpool3 = nn.MaxPool2d(13, 1, padding=6)

    def forward(self, x):
        o1 = self.maxpool1(x)
        o2 = self.maxpool2(x)
        o3 = self.maxpool3(x)
        return torch.cat([x, o1, o2, o3], dim=1)

class SPPF(nn.Module):
    def __init__(self):
        super().__init__()
        self.maxpool = nn.MaxPool2d(5, 1, padding=2)

    def forward(self, x):
        o1 = self.maxpool(x)
        o2 = self.maxpool(o1)
        o3 = self.maxpool(o2)
        return torch.cat([x, o1, o2, o3], dim=1)

def main():
    input_tensor = torch.rand(8, 32, 16, 16)
    spp = SPP()
    sppf = SPPF()
    output1 = spp(input_tensor)
    output2 = sppf(input_tensor)

    print(torch.equal(output1, output2))

    t_start = time.time()
    for _ in range(100):
        spp(input_tensor)
    print(f"spp time: {time.time() - t_start}")

    t_start = time.time()
    for _ in range(100):
        sppf(input_tensor)
    print(f"sppf time: {time.time() - t_start}")

if __name__ == '__main__':
    main()

终端输出：

True
spp time: 0.5373051166534424
sppf time: 0.20780706405639648

通过对比可以发现，两者的计算结果是一模一样的，但 SPPF比 SPP计算速度快了不止两倍，快乐翻倍。

在 Neck部分另外一个不同点就是 New CSP-PAN了，在YOLOv4中， Neck的 PAN结构是没有引入 CSP结构的，但在YOLOv5中作者在 PAN结构中加入了 CSP。详情见上面的网络结构图，每个 C3模块里都含有 CSP结构。在 Head部分，YOLOv3, v4, v5都是一样的，这里就不讲了。

2 数据增强

在YOLOv5代码里，关于数据增强策略还是挺多的，这里简单罗列部分方法：

  • Mosaic，将四张图片拼成一张图片，讲过很多次了
    YOLOv5网络详解
  • Copy paste，将部分目标随机的粘贴到图片中，前提是数据要有 segments数据才行，即每个目标的实例分割信息。下面是 Copy paste原论文中的示意图。
    YOLOv5网络详解
  • Random affine(Rotation, Scale, Translation and Shear)，随机进行仿射变换，但根据配置文件里的超参数发现只使用了 Scale和 Translation即缩放和平移。
    YOLOv5网络详解
  • MixUp，就是将两张图片按照一定的透明度融合在一起，具体有没有用不太清楚，毕竟没有论文，也没有消融实验。代码中只有较大的模型才使用到了 MixUp，而且每次只有10%的概率会使用到。
    YOLOv5网络详解
  • Albumentations，主要是做些滤波、直方图均衡化以及改变图片质量等等，我看代码里写的只有安装了 albumentations包才会启用，但在项目的 requirements.txt文件中 albumentations包是被注释掉了的，所以默认不启用。
  • Augment HSV(Hue, Saturation, Value)，随机调整色度，饱和度以及明度。
    YOLOv5网络详解
  • Random horizontal flip，随机水平翻转
    YOLOv5网络详解

; 3 训练策略

在YOLOv5源码中使用到了很多训练的策略，这里简单总结几个我注意到的点，还有些没注意到的请大家自己看下源码：

  • Multi-scale training(0.5~1.5x)，多尺度训练，假设设置输入图片的大小为640 × 640 640 \times 640 6 4 0 ×6 4 0，训练时采用尺寸是在0.5 × 640 ∼ 1.5 × 640 0.5 \times 640 \sim 1.5 \times 640 0 .5 ×6 4 0 ∼1 .5 ×6 4 0之间随机取值，注意取值时取得都是32的整数倍（因为网络会最大下采样32倍）。
  • AutoAnchor(For training custom data)，训练自己数据集时可以根据自己数据集里的目标进行重新聚类生成Anchors模板。
  • Warmup and Cosine LR scheduler，训练前先进行 Warmup热身，然后在采用 Cosine学习率下降策略。
  • EMA(Exponential Moving Average)，可以理解为给训练的参数加了一个动量，让它更新过程更加平滑。
  • Mixed precision，混合精度训练，能够减少显存的占用并且加快训练速度，前提是GPU硬件支持。
  • Evolve hyper-parameters，超参数优化，没有炼丹经验的人勿碰，保持默认就好。

4 其他

4.1 损失计算

YOLOv5的损失主要由三个部分组成：

  • Classes loss，分类损失，采用的是 BCE loss，注意只计算正样本的分类损失。
  • Objectness loss， obj损失，采用的依然是 BCE loss，注意这里的 obj指的是网络预测的目标边界框与GT Box的 CIoU。这里计算的是所有样本的 obj损失。
  • Location loss，定位损失，采用的是 CIoU loss，注意只计算正样本的定位损失。

L o s s = λ 1 L c l s + λ 2 L o b j + λ 3 L l o c Loss=\lambda_1 L_{cls} + \lambda_2 L_{obj} + \lambda_3 L_{loc}L o s s =λ1 ​L c l s ​+λ2 ​L o b j ​+λ3 ​L l o c ​
其中，λ 1 , λ 2 , λ 3 \lambda_1, \lambda_2, \lambda_3 λ1 ​,λ2 ​,λ3 ​为平衡系数。

4.2 平衡不同尺度的损失

这里是指针对三个预测特征层（ P3, P4, P5）上的 obj损失采用不同的权重。在源码中，针对预测小目标的预测特征层（ P3）采用的权重是 4.0，针对预测中等目标的预测特征层（ P4）采用的权重是 1.0，针对预测大目标的预测特征层（ P5）采用的权重是 0.4，作者说这是针对 COCO数据集设置的超参数。
L o b j = 4.0 ⋅ L o b j s m a l l + 1.0 ⋅ L o b j m e d i u m + 0.4 ⋅ L o b j l a r g e L_{obj} = 4.0 \cdot L_{obj}^{small} + 1.0 \cdot L_{obj}^{medium} + 0.4 \cdot L_{obj}^{large}L o b j ​=4 .0 ⋅L o b j s m a l l ​+1 .0 ⋅L o b j m e d i u m ​+0 .4 ⋅L o b j l a r g e ​

4.3 消除Grid敏感度

在上篇文章YOLOv4中有提到过，主要是调整预测目标中心点相对Grid网格的左上角偏移量。下图是YOLOv2，v3的计算公式。

YOLOv5网络详解

其中：

  • t x t_x t x ​是网络预测的目标中心x x x坐标偏移量（相对于网格的左上角）
  • t y t_y t y ​是网络预测的目标中心y y y坐标偏移量（相对于网格的左上角）
  • c x c_x c x ​是对应网格左上角的x x x坐标
  • c y c_y c y ​是对应网格左上角的y y y坐标
  • σ \sigma σ是 Sigmoid激活函数，将预测的偏移量限制在0到1之间，即预测的中心点不会超出对应的 Grid Cell区域

关于预测目标中心点相对Grid网格左上角( c x , c y ) (c_x, c_y)(c x ​,c y ​)偏移量为σ ( t x ) , σ ( t y ) \sigma(t_x), \sigma(t_y)σ(t x ​),σ(t y ​)。YOLOv4的作者认为这样做不太合理，比如当真实目标中心点非常靠近网格的左上角点（σ ( t x ) \sigma(t_x)σ(t x ​)和σ ( t y ) \sigma(t_y)σ(t y ​)应该趋近与0）或者右下角点（σ ( t x ) \sigma(t_x)σ(t x ​)和σ ( t y ) \sigma(t_y)σ(t y ​)应该趋近与1）时，网络的预测值需要负无穷或者正无穷时才能取到，而这种很极端的值网络一般无法达到。为了解决这个问题，作者对偏移量进行了缩放从原来的( 0 , 1 ) (0, 1)(0 ,1 )缩放到( − 0.5 , 1.5 ) (-0.5, 1.5)(−0 .5 ,1 .5 )这样网络预测的偏移量就能很方便达到0或1，故最终预测的目标中心点b x , b y b_x, b_y b x ​,b y ​的计算公式为：
b x = ( 2 ⋅ σ ( t x ) − 0.5 ) + c x b y = ( 2 ⋅ σ ( t y ) − 0.5 ) + c y b_x = (2 \cdot \sigma(t_x) – 0.5) + c_x \ b_y = (2 \cdot \sigma(t_y) – 0.5) + c_y b x ​=(2 ⋅σ(t x ​)−0 .5 )+c x ​b y ​=(2 ⋅σ(t y ​)−0 .5 )+c y ​
下图是我绘制的y = σ ( x ) y = \sigma(x)y =σ(x )对应 before曲线和y = 2 ⋅ σ ( x ) − 0.5 y = 2 \cdot \sigma(x) – 0.5 y =2 ⋅σ(x )−0 .5对应 after曲线，很明显通过引入缩放系数scale以后，y y y对x x x更敏感了，且偏移的范围由原来的( 0 , 1 ) (0, 1)(0 ,1 )调整到了( − 0.5 , 1.5 ) (-0.5, 1.5)(−0 .5 ,1 .5 )。

YOLOv5网络详解
在YOLOv5中除了调整预测Anchor相对Grid网格左上角( c x , c y ) (c_x, c_y)(c x ​,c y ​)偏移量以外，还调整了预测目标高宽的计算公式，之前是：
b w = p w ⋅ e t w b h = p h ⋅ e t h b_w = p_w \cdot e^{t_w} \ b_h = p_h \cdot e^{t_h}b w ​=p w ​⋅e t w ​b h ​=p h ​⋅e t h ​
在YOLOv5调整为：
b w = p w ⋅ ( 2 ⋅ σ ( t w ) ) 2 b h = p h ⋅ ( 2 ⋅ σ ( t h ) ) 2 b_w = p_w \cdot (2 \cdot \sigma(t_w))^2 \ b_h = p_h \cdot (2 \cdot \sigma(t_h))^2 b w ​=p w ​⋅(2 ⋅σ(t w ​))2 b h ​=p h ​⋅(2 ⋅σ(t h ​))2
作者 Glenn Jocher的原话如下，也可以参考issue #471：

The original yolo/darknet box equations have a serious flaw. Width and Height are completely unbounded as they are simply out=exp(in), which is dangerous, as it can lead to runaway gradients, instabilities, NaN losses and ultimately a complete loss of training.

作者的大致意思是，原来的计算公式并没有对预测目标宽高做限制，这样可能出现梯度爆炸，训练不稳定等问题。下图是修改前y = e x y = e^x y =e x和修改后y = ( 2 ⋅ σ ( x ) ) 2 y = (2 \cdot \sigma(x))^2 y =(2 ⋅σ(x ))2（相对Anchor宽高的倍率因子）的变化曲线， 很明显调整后倍率因子被限制在( 0 , 4 ) (0, 4)(0 ,4 )之间。

YOLOv5网络详解

; 4.4 匹配正样本(Build Targets)

之前在YOLOv4介绍中有讲过该部分内容，其实YOLOv5也差不多。主要的区别在于 GT Box与 Anchor Templates模板的匹配方式。在YOLOv4中是直接将每个 GT Box与对应的 Anchor Templates模板计算 IoU，只要 IoU大于设定的阈值就算匹配成功。但在YOLOv5中，作者先去计算每个 GT Box与对应的 Anchor Templates模板的高宽比例，即：
r w = w g t / w a t r h = h g t / h a t r_w = w_{gt} / w_{at} \ r_h = h_{gt} / h_{at} \r w ​=w g t ​/w a t ​r h ​=h g t ​/h a t ​
然后统计这些比例和它们倒数之间的最大值，这里可以理解成计算 GT Box和 Anchor Templates分别在宽度以及高度方向的最大差异（当相等的时候比例为1，差异最小）：
r w m a x = m a x ( r w , 1 / r w ) r h m a x = m a x ( r h , 1 / r h ) r_w^{max} = max(r_w, 1 / r_w) \ r_h^{max} = max(r_h, 1 / r_h)r w m a x ​=m a x (r w ​,1 /r w ​)r h m a x ​=m a x (r h ​,1 /r h ​)
接着统计r w m a x r_w^{max}r w m a x ​和r h m a x r_h^{max}r h m a x ​之间的最大值，即宽度和高度方向差异最大的值：
r m a x = m a x ( r w m a x , r h m a x ) r^{max} = max(r_w^{max}, r_h^{max})r m a x =m a x (r w m a x ​,r h m a x ​)
如果 GT Box和对应的 Anchor Template的r m a x r^{max}r m a x小于阈值 anchor_t（在源码中默认设置为 4.0），即 GT Box和对应的 Anchor Template的高、宽比例相差不算太大，则将 GT Box分配给该 Anchor Template模板。为了方便大家理解，可以看下我画的图。假设对某个 GT Box而言，其实只要 GT Box满足在某个 Anchor Template宽和高的× 0.25 \times 0.25 ×0 .2 5倍和× 4.0 \times 4.0 ×4 .0倍之间就算匹配成功。

YOLOv5网络详解
剩下的步骤和YOLOv4中一致：
  • 将 GT投影到对应预测特征层上，根据 GT的中心点定位到对应 Cell，注意图中有三个对应的 Cell。因为网络预测中心点的偏移范围已经调整到了( − 0.5 , 1.5 ) (-0.5, 1.5)(−0 .5 ,1 .5 )，所以按理说只要 Grid Cell左上角点距离 GT中心点在( − 0.5 , 1.5 ) (−0.5,1.5)(−0 .5 ,1 .5 )范围内它们对应的 Anchor都能回归到 GT的位置处。这样会让正样本的数量得到大量的扩充。
  • 则这三个 Cell对应的 AT2和 AT3都为正样本。

YOLOv5网络详解
还需要注意的是，YOLOv5源码中扩展 Cell时只会往上、下、左、右四个方向扩展，不会往左上、右上、左下、右下方向扩展。下面又给出了一些根据G T x c e n t e r , G T y c e n t e r GT_x^{center}, GT_y^{center}G T x c e n t e r ​,G T y c e n t e r ​的位置扩展的一些 Cell案例，其中 %1表示取余并保留小数部分。

YOLOv5网络详解
到此，YOLOv5相关的内容基本上都分析完了。当然由于个人原因，肯定还有一些细节被我忽略掉了，也建议大家自己看看源码，收获肯定会更多。

Original: https://blog.csdn.net/qq_37541097/article/details/123594351
Author: 太阳花的小绿豆
Title: YOLOv5网络详解

原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/687998/

转载文章受原作者版权保护。转载请注明原作者出处！

赞 (0)
0

【自取】最近整理的，有需要可以领取学习：



Linux核心资料大放送~

全栈面试题汇总（持续更新&可下载）

一个提高学习100%效率的工具！

【超详细】深度学习面试题目！

LeetCode Python刷题答案下载！

LeetCode Java版刷题答案下载！

LeetCode C++ 版本，抓紧保存！

LeetCode GO语言 刷题答案下载！

大家都在看

亲爱的 Coder【最近整理，可免费获取】👉 最新必读书单  | 👏 面试题下载  | 🌎 免费的AI知识星球