在本文中，將介紹YOLOv5實作中使用的以下最重要的技術細節和方向.

由於YoloV5共有4個版本，這邊將介紹“Yolov5s”版本。但是，如果您仔細地參考這一點，您會發現，在其他版本中，除了模型層/體系結構和一些參數之外，沒有什麼大的變化.

大纲

1.YOLO v5模型架构

由於yolo v5是一個单级物件偵測器，它與其他任何单级物件偵測器一樣，有三個重要部分。

1.1型号主干

模型主干主要用於從給定的輸入影像中選取重要特徵。在YOLO v5中，CSP-跨级部分网络用作主干，從輸入影像中選取豐富的資訊特徵CSP — Cross Stage Partial Networks

CSPnet在深度網路的處理時間上有了顯著的改進.參考下圖，有關CSPnet的更多資訊，請參閱Github回购。Github repo

1.2型号颈部

模型颈部主要用於生成特征棱锥体(特徵金字塔)。特徵金字塔有助於模型在物件縮放時更好地做一般泛化.它有助於識別具有不同大小和比例的同一物件.

特徵金字塔非常有用，可以幫助模型在從未看過的數據上表現良好.還有其他模型使用不同類型的特徵金字塔技術，如、BIFPN、PANET等.FPN BiFPN PANet

在yolo v5中，PANET用於作為Neck以獲取特徵金字塔.有關特徵金字塔的詳細資訊，請參閱以下連結.PANet

1.3模型机头

模特头像主要用於執行最終偵測部分。它在特徵上應用锚盒、並生成具有類別機率、Objectity分數和包围盒的最終輸出向量。

在Yolo v5模型中，Head與之前的Yolo V3和V4版本相同.

此外，我還附上了YoloV5的最終模型架構–一個小版本.你可以在這裡找到它.這裡

2.激活功能

在任何深度神經網路中，啟動函數的選擇都是最關鍵的.最近，許多啟動函數被引入，如leaky relu，mish，swiw等.Leaky ReLU mish swish

yolo v5的作者決定使用leaky relu和Sigmoid啟動函數.Sigmoid

在yolo v5中，中間層/隱藏層使用leaky relu啟動函數，最終檢測層使用Sigmoid啟動函數.你可以在這裡驗證.這裡

3.优化函数

對於yolo v5中的優化函數，我們在yolo v5中有兩個選項

在yolo v5中，Training的預設優化函數是SGD.

但是，您可以將其更改為adam使用“–adam”命令列參數.

4.成本函数或损失函数

在Yolo系列中，有一個复合损失是基於对象性得分、类概率得分和包围盒回歸得分計算的。

超分析使用了二元交叉熵与LOGITS损失和火炬的LOGITS損失函數來計算类概率和对象分数的損失。Binary Cross-Entropy with Logits Loss

我們還可以選擇Focus Lost來計算損失。您可以選擇使用fl_超參數進行焦损訓練。Focal Loss

5.权重、偏差、参数、渐变和最终模型汇总

要仔細查看YOLOv5-小型中各層的權重、偏差、形狀和參數，請參閱以下資訊。

此外，您還可以參考以下YOLO v5-小型机的簡要概述。

Model Summary: 191 layers, 7.46816e+06 parameters, 7.46816e+06 gradients

6.YOLO v5版本不同

6.1Yolov5四種網絡的深度

在上圖中，大白畫了兩種CSP結構、CSP 1和CSP 2、其中CSP 1結構主要應用於Backbone中、CSP 2結構主要應用於Neck中。

需要注意的是，四種網絡結構中每個Csp結構的深度都是不同的.

而Yolov5m中使用了2組，Yolov5l中使用了3組，Yolov5x中使用了4組。

其他的四個Csp2結構，也是同理.

Yolov5中，網絡的不斷加深，也在不斷增加網絡特徵提取和特徵融合的能力.

6.2Yolov5四種網絡的寬度

如上圖表格中所示，四種yolov5結構在不同階段的捲積核的數量都是不一樣的，因此也直接影響卷積後特徵圖的第三維度，即厚度，大白這裡表示為網絡的寬度.

四種不同結構的捲積核的數量不同，這也直接影響網絡中，比如Csp1、Csp2等結構，以及各個普通卷積，卷積操作時的捲積核數量也同步在調整，影響整體網絡的計算量.

大家最好可以將結構圖和前面第一部分四個網絡的特徵圖鏈接，對應查看，思路會更加清晰.

當然卷積核的數量越多，特徵圖的厚度，即寬度越寬，網絡提取特徵的學習能力也越強.

6.3Yolov5四種結構的參數

每個網絡結構的兩個參數：

(1)Yolov5s.yaml

(2)Yolov5m.yaml

(3)Yolov5l.yaml

(4)Yolov5x.yaml

四種結構就是通過上面的兩個參數，來進行控制網絡的

参考文献