1 Yolov5四种网络模型
Yolov5官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。
学习一个新的算法，最好在脑海中对算法网络的整体架构有一个清晰的理解。
但比较尴尬的是，Yolov5代码中给出的网络文件是yaml格式，和原本Yolov3、Yolov4中的cfg不同。
因此无法用netron工具直接可视化的查看网络结构，造成有的同学不知道如何去学习这样的网络。
比如下载了Yolov5的四个pt格式的权重模型：
大白在《深入浅出Yolo系列之Yolov3&Yolov4核心基础完整讲解》中讲到，可以使用netron工具打开网络模型。
但因为netron对pt格式的文件兼容性并不好，直接使用netron工具打开，会发现，根本无法显示全部网络。
因此可以采用pt->onnx->netron的折中方式，先使用Yolov5代码中models/export.py脚本将pt文件转换为onnx格式，再用netron工具打开，这样就可以看全网络的整体架构了。
如果有同学对netron工具还不是很熟悉，这里还是放上安装netron工具的详解，如果需要安装，可以移步大白的另一篇文章：《网络可视化工具netron详细安装流程》
如需下载Yolov5整体的4个网络pt文件及onnx文件，也可点击链接查看下载，便于直观的学习。
1.1 Yolov5网络结构图
安装好netron工具，就可以可视化的打开Yolov5的网络结构。
这里大白也和之前讲解Yolov3&Yolov4同样的方式，绘制了Yolov5s整体的网络结构图。配合netron的可视化网络结构查看，脑海中的架构会更加清晰。
本文也会以Yolov5s的网络结构为主线，讲解与其他三个模型（Yolov5m、Yolov5l、Yolov5x）的不同点，让大家对于Yolov5有一个深入浅出的了解。
1.2 网络结构可视化
将四种模型pt文件的转换成对应的onnx文件后，即可使用netron工具查看。
但是，有些同学可能不方便，使用脚本转换查看。
因此，大白也上传了每个网络结构图的图片，也可以直接点击查看。
虽然没有netron工具更直观，但是也可以学习了解。
1.2.1 Yolov5s网络结构
Yolov5s网络是Yolov5系列中深度最小，特征图的宽度最小的网络。后面的3种都是在此基础上不断加深，不断加宽。
上图绘制出的网络结构图也是Yolov5s的结构，大家也可直接点击查看，Yolov5s的网络结构可视化的图片。
1.2.2 Yolov5m网络结构
此处也放上netron打开的Yolov5m网络结构可视图，点击即可查看，后面第二版块会详细说明不同模型的不同点。
1.2.3 Yolov5l网络结构
此处也放上netronx打开的Yolov5l网络结构可视图，点击即可查看。
1.2.4 Yolov5x网络结构
此处也放上netronx打开的Yolov5x网络结构可视图，点击即可查看。
2 核心基础内容
2.1 Yolov3&Yolov4网络结构图
2.1.1 Yolov3网络结构图
Yolov3的网络结构是比较经典的one-stage结构，分为输入端、Backbone、Neck和Prediction四个部分。
大白在之前的《深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解》中讲了很多，这里不多说，还是放上绘制的Yolov3的网络结构图。
2.1.2 Yolov4网络结构图
Yolov4在Yolov3的基础上进行了很多的创新。
比如输入端采用mosaic数据增强，
Backbone上采用了CSPDarknet53、Mish激活函数、Dropblock等方式，
Neck中采用了SPP、FPN+PAN的结构，
输出端则采用CIOU_Loss、DIOU_nms操作。
因此Yolov4对Yolov3的各个部分都进行了很多的整合创新，关于Yolov4详细的讲解还是可以参照大白之前写的《深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解》，写的比较详细。
2.2 Yolov5核心基础内容
Yolov5的结构和Yolov4很相似，但也有一些不同，大白还是按照从整体到细节的方式，对每个板块进行讲解。
上图即Yolov5的网络结构图，可以看出，还是分为输入端、Backbone、Neck、Prediction四个部分。
大家可能对Yolov3比较熟悉，因此大白列举它和Yolov3的一些主要的不同点，并和Yolov4进行比较。
（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，CSP结构
（3）Neck：FPN+PAN结构
（4）Prediction：GIOU_Loss
下面丢上Yolov5作者的算法性能测试图：
Yolov5作者也是在COCO数据集上进行的测试，大白在之前的文章讲过，COCO数据集的小目标占比，因此最终的四种网络结构，性能上来说各有千秋。
Yolov5s网络最小，速度最少，AP精度也最低。但如果检测的以大目标为主，追求速度，倒也是个不错的选择。
其他的三种网络，在此基础上，不断加深加宽网络，AP精度也不断提升，但速度的消耗也在不断增加。
2.2.1 输入端
（1）Mosaic数据增强
Yolov5的输入端采用了和Yolov4一样的Mosaic数据增强的方式。
Mosaic数据增强提出的作者也是来自Yolov5团队的成员，不过，随机缩放、随机裁剪、随机排布的方式进行拼接，对于小目标的检测效果还是很不错的。
Mosaic数据增强的内容在之前《深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解》文章中写的很详细，详情可以查看之前的内容。
（2）自适应锚框计算
在Yolo算法中，针对不同的数据集，都会有初始设定长宽的锚框。
在网络训练中，网络在初始锚框的基础上输出预测框，进而和真实框groundtruth进行比对，计算两者差距，再反向更新，迭代网络参数。
因此初始锚框也是比较重要的一部分，比如Yolov5在Coco数据集上初始设定的锚框：
在Yolov3、Yolov4中，训练不同的数据集时，计算初始锚框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(letterbox)
在常用的目标检测算法中，不同的图片长宽都不相同，因此常用的方式是将原始图片统一缩放到一个标准尺寸，再送入检测网络中。
比如Yolo算法中常用416*416，608*608等尺寸，比如对下面800*600的图像进行缩放。
但Yolov5代码中对此进行了改进，也是Yolov5推理速度能够很快的一个不错的trick。
作者认为，在项目实际使用时，很多图片的长宽比不同，因此缩放填充后，两端的黑边大小都不同，而如果填充的比较多，则存在信息冗余，影响推理速度。
因此在Yolov5的代码中datasets.py的letterbox函数中进行了修改，对原始图像自适应的添加最少的黑边。
图像高度上两端的黑边变少了，在推理时，计算量也会减少，即目标检测速度会得到提升。
这种方式在之前github上Yolov3中也进行了讨论：https://github.com/ultralytics/yolov3/issues/232
在讨论中，通过这种简单的改进，推理速度得到了37%的提升，可以说效果很明显。
但是有的同学可能会有大大的问号？？如何进行计算的呢？大白按照Yolov5中的思路详细的讲解一下，在datasets.py的letterbox函数中也有详细的代码。
第一步：计算缩放比例
原始缩放尺寸是416*416，都除以原始图像的尺寸后，可以得到0.52，和0.69两个缩放系数，选择小的缩放系数。
第二步：计算缩放后的尺寸
原始图片的长宽都乘以最小的缩放系数0.52，宽变成了416，而高变成了312。
第三步：计算黑边填充数值
将416-312=104，得到原本需要填充的高度。再采用numpy中np.mod取余数的方式，得到8个像素，再除以2，即得到图片高度两端需要填充的数值。
此外，需要注意的是：
a.这里大白填充的是黑色，即（0，0，0），而Yolov5中填充的是灰色，即（114,114,114），都是一样的效果。
b.训练时没有采用缩减黑边的方式，还是采用传统填充的方式，即缩放到416*416大小。只是在测试，使用模型推理时，才采用缩减黑边的方式，提高目标检测，推理的速度。
c.为什么np.mod函数的后面用32？因为Yolov5的网络经过5次下采样，而2的5次方，等于32。所以至少要去掉32的倍数，再进行取余。
2.2.2 Backbone
（1）Focus结构
Focus结构，在Yolov3&Yolov4中并没有这个结构，其中比较关键是切片操作。
比如右图的切片示意图，$443$的图像切片后变成$2212$的特征图。
以Yolov5s的结构为例，原始$6086083$的图像输入Focus结构，采用切片操作，先变成$30430412$的特征图，再经过一次32个卷积核的卷积操作，最终变成$30430432$的特征图。
需要注意的是：Yolov5s的Focus结构最后使用了32个卷积核，而其他三种结构，使用的数量有所增加，先注意下，后面会讲解到四种结构的不同点。
这个操作在swin-transformer中也有用到，个人理解是在增加了感受野的同时，并有损失特征：和pool比较，可以发现，pool肯定会噪声信息的丢失，而这个focus操作，并没有丢弃任何信息，而是将特征移动至了channel上。
（2）CSP结构
Yolov4网络结构中，借鉴了CSPNet的设计思路，在主干网络中设计了CSP结构。
Yolov5与Yolov4不同点在于，Yolov4中只有主干网络使用了CSP结构。==注意YOLOv4是用的mish，而v5用的依然是leaky relu==
而Yolov5中设计了两种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。
这里关于CSPNet的内容，也可以查看大白之前的《深入浅出Yolo系列之Yolov3&Yolov4核心基础完整讲解》。
2.2.3 Neck
Yolov5现在的Neck和Yolov4中一样，都采用FPN+PAN的结构，但在Yolov5刚出来时，只使用了FPN结构，后面才增加了PAN结构，此外网络中其他部分也进行了调整。
因此，大白在Yolov5刚提出时，画的很多结构图，又都重新进行了调整。
这里关于FPN+PAN的结构，大白在《深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解》中，讲的很多，大家应该都有理解。
但如上面CSPNet结构中讲到，Yolov5和Yolov4的不同点在于，
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。
2.2.4 输出端
（1）Bounding box损失函数
在《深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解》中，大白详细的讲解了IOU_Loss，以及进化版的GIOU_Loss，DIOU_Loss，以及CIOU_Loss。
Yolov5中采用其中的GIOU_Loss做Bounding box的损失函数。
而Yolov4中采用CIOU_Loss作为目标Bounding box的损失。
（2）nms非极大值抑制
在目标检测的后处理过程中，针对很多目标框的筛选，通常需要nms操作。
因为CIOU_Loss中包含影响因子v，涉及groudtruth的信息，而测试推理时，是没有groundtruth的。
所以Yolov4在CIOU_Loss的基础上采用DIOU_nms的方式，而Yolov5中采用加权nms的方式。
可以看出，采用DIOU_nms，下方中间箭头的黄色部分，原本被遮挡的摩托车也可以检出。
大白在项目中，也采用了DIOU_nms的方式，在同样的参数情况下，将nms中IOU修改成==DIOU_nms。对于一些遮挡重叠的目标，确实会有一些改进==。
比如下面黄色箭头部分，原本两个人重叠的部分，在参数和普通的IOU_nms一致的情况下，修改成DIOU_nms，可以将两个目标检出。
虽然大多数状态下效果差不多，但在不增加计算成本的情况下，有稍微的改进也是好的。
正负样本选择
将GT和当前层的3个anchor计算宽高比，并判断其中最大的比例是否在0.25~4之间，在该尺度anchor就是正样本，否则就认为比例差距过大是负样本。
然后计算GT中心落在哪个网格，同时利用四舍五入原则找出最近的两个网络，这三个网格都负责预测该GT，从而相比原来YOLO的正样本扩充了3~9倍。
GT可以在三个尺度下都匹配到anchor；负责预测GT的grid有三个。
样本扩充的依据是判断gt的中心点落在的网格相对的上下左右偏移量.( 例如,gt的中心在网格中偏向左上角,那么gt所在gird的上方和左方的gird也会被扩充为gt样本.同时,扩充的gird所对应的gt框是由原始的gt框移动一个单位到其所在的gird中) ,下面这张图可以很好的解释这一过程
目标中心点为图中的红色点，红色点在本网格的左上，则让本网格、其左、其上网格负责该目标检测；
同理目标中心点如果在右下，则让本网格、其右、其下网格负责该目标检测。为什么这样做，据说是为了扩充正样本。
这种做法可以使yolov5的gt框数量增加,很好的缓解了正负样本的不平衡.然而这种通过将gt移动的方法进行扩充正样本,我觉得对于小目标来说,是存在很多的问题的
参考链接
2.3 Yolov5四种网络结构的不同点
Yolov5代码中的四种网络，和之前的Yolov3，Yolov4中的cfg文件不同，都是以yaml的形式来呈现。
而且四个文件的内容基本上都是一样的，只有最上方的depth_multiple和width_multiple两个参数不同，很多同学看的一脸懵逼，不知道只通过两个参数是如何控制四种结构的？
2.3.1 四种结构的参数
大白先取出Yolov5代码中，每个网络结构的两个参数：
（1）Yolov5s.yaml
（2）Yolov5m.yaml
（3）Yolov5l.yaml
（4）Yolov5x.yaml
四种结构就是通过上面的两个参数，来进行控制网络的深度和宽度。其中depth_multiple控制网络的深度，width_multiple控制网络的宽度。
2.3.2 Yolov5网络结构
四种结构的yaml文件中，下方的网络架构代码都是一样的。
为了便于讲解，大白将其中的Backbone部分提取出来，讲解如何控制网络的宽度和深度，yaml文件中的Head部分也是同样的原理。
在对网络结构进行解析时，yolo.py中下方的这一行代码将四种结构的depth_multiple，width_multiple提取出，赋值给gd，gw。后面主要对这gd，gw这两个参数进行讲解。
下面再细致的剖析下，看是如何控制每种结构，深度和宽度的。
2.3.3 Yolov5四种网络的深度
（1）不同网络的深度
在上图中，大白画了两种CSP结构，CSP1和CSP2，其中CSP1结构主要应用于Backbone中，CSP2结构主要应用于Neck中。
需要注意的是，四种网络结构中每个CSP结构的深度都是不同的。
a.以yolov5s为例，第一个CSP1中，使用了1个残差组件，因此是CSP1_1。而在Yolov5m中，则增加了网络的深度，在第一个CSP1中，使用了2个残差组件，因此是CSP1_2。
而Yolov5l中，同样的位置，则使用了3个残差组件，Yolov5x中，使用了4个残差组件。
其余的第二个CSP1和第三个CSP1也是同样的原理。
b.在第二种CSP2结构中也是同样的方式，以第一个CSP2结构为例，Yolov5s组件中使用了2*1=2组卷积，因此是CSP2_1。
而Yolov5m中使用了2组，Yolov5l中使用了3组，Yolov5x中使用了4组。
其他的四个CSP2结构，也是同理。
Yolov5中，网络的不断加深，也在不断增加网络特征提取和特征融合的能力。
（2）控制深度的代码
控制四种网络结构的核心代码是yolo.py中下面的代码，存在两个变量，n和gd。
我们再将n和gd带入计算，看每种网络的变化结果。
（3）验证控制深度的有效性
我们选择最小的yolov5s.yaml和中间的yolov5l.yaml两个网络结构，将**gd(height_multiple)**系数带入，看是否正确。
a. yolov5s.yaml
其中height_multiple=0.33，即gd=0.33，而n则由上面红色框中的信息获得。
以上面网络框图中的第一个CSP1为例，即上面的第一个红色框。n等于第二个数值3。
而gd=0.33，带入（2）中的计算代码，结果n=1。因此第一个CSP1结构内只有1个残差组件，即CSP1_1。
第二个CSP1结构中，n等于第二个数值9，而gd=0.33，带入（2）中计算，结果n=3，因此第二个CSP1结构中有3个残差组件，即CSP1_3。
第三个CSP1结构也是同理，这里不多说。
b. yolov5l.xml
其中height_multiple=1，即gd=1
和上面的计算方式相同，第一个CSP1结构中，n=3，带入代码中，结果n=3，因此为CSP1_3。
下面第二个CSP1和第三个CSP1结构都是同样的原理。
2.3.4 Yolov5四种网络的宽度
（1）不同网络的宽度:
如上图表格中所示，四种yolov5结构在不同阶段的卷积核的数量都是不一样的，因此也直接影响卷积后==特征图的第三维度，即厚度（channel数），大白这里表示为网络的宽度。==
a.以Yolov5s结构为例，第一个Focus结构中，最后卷积操作时，卷积核的数量是32个，因此经过Focus结构，特征图的大小变成304*304*32。
而yolov5m的Focus结构中的卷积操作使用了48个卷积核，因此Focus结构后的特征图变成304*304*48。yolov5l，yolov5x也是同样的原理。
b. 第二个卷积操作时，yolov5s使用了64个卷积核，因此得到的特征图是152*152*64。而yolov5m使用96个特征图，因此得到的特征图是152*152*96。yolov5l，yolov5x也是同理。
c. 后面三个卷积下采样操作也是同样的原理，这样大白不过多讲解。
四种不同结构的卷积核的数量不同，这也直接影响网络中，比如CSP1，CSP2等结构，以及各个普通卷积，卷积操作时的卷积核数量也同步在调整，影响整体网络的计算量。
大家最好可以将结构图和前面第一部分四个网络的特征图链接，对应查看，思路会更加清晰。
当然卷积核的数量越多，特征图的厚度，即宽度越宽，网络提取特征的学习能力也越强。
（2）控制宽度的代码
在yolov5的代码中，控制宽度的核心代码是yolo.py文件里面的这一行：
它所调用的子函数make_divisible的功能是：
（3）验证控制宽度的有效性
我们还是选择最小的yolov5s和中间的yolov5l两个网络结构，将width_multiple系数带入，看是否正确。
a. yolov5s.yaml
其中width_multiple=0.5，即gw=0.5。
以第一个卷积下采样为例，即Focus结构中下面的卷积操作。
按照上面Backbone的信息，我们知道Focus中，标准的c2=64，而gw=0.5，代入（2）中的计算公式，最后的结果=32。即Yolov5s的Focus结构中，卷积下采样操作的卷积核数量为32个。
再计算后面的第二个卷积下采样操作，标准c2的值=128，gw=0.5，代入（2）中公式，最后的结果=64，也是正确的。
b. yolov5l.yaml
其中width_multiple=1，即gw=1，而标准的c2=64，代入上面（2）的计算公式中，可以得到Yolov5l的Focus结构中，卷积下采样操作的卷积核的数量为64个，而第二个卷积下采样的卷积核数量是128个。
另外的三个卷积下采样操作，以及yolov5m，yolov5x结构也是同样的计算方式，大白这里不过多解释。
3 Yolov5相关论文及代码
3.1 代码
Yolov5的作者并没有发表论文，因此只能从代码角度进行分析。
Yolov5代码：https://github.com/ultralytics/yolov5
大家可以根据网页的说明，下载训练，及测试，流程还是比较简单的。
3.2 相关论文
另外一篇论文，PP-Yolo，在Yolov3的原理上，采用了很多的tricks调参方式，也挺有意思。
感兴趣的话可以参照另一个博主的文章：点击查看
4 小目标分割检测
目标检测发展很快，但对于小目标的检测还是有一定的瓶颈，特别是大分辨率图像小目标检测。比如7920*2160，甚至16000*16000的图像。
图像的分辨率很大，但又有很多小的目标需要检测。但是如果直接输入检测网络，比如yolov3，检出效果并不好。
主要原因是：
（1）小目标尺寸
以网络的输入608*608为例，yolov3、yolov4，yolov5中下采样都使用了5次，因此最后的特征图大小是19*19，38*38，76*76。
三个特征图中，最大的7676负责检测小目标，而对应到608608上，每格特征图的感受野是608/76=8*8大小。
再将608608对应到76802160上，以最长边7680为例，7680/608*8=101。
即如果原始图像中目标的宽或高小于101像素，网络很难学习到目标的特征信息。
（PS：这里忽略多尺度训练的因素及增加网络检测分支的情况）
（2）高分辨率
而在很多遥感图像中，长宽比的分辨率比$76802160$更大，比如上面的$1600016000$，如果采用直接输入原图的方式，很多小目标都无法检测出。
（3）显卡爆炸
很多图像分辨率很大，如果简单的进行下采样，下采样的倍数太大，容易丢失数据信息。
但是倍数太小，网络前向传播需要在内存中保存大量的特征图，极大耗尽GPU资源,很容易发生显存爆炸，无法正常的训练及推理。
因此可以借鉴2018年YOLT算法的方式，改变一下思维，对大分辨率图片先进行分割，变成一张张小图，再进行检测。
需要注意的是：
为了避免两张小图之间，一些目标正好被分割截断，所以两个小图之间设置overlap重叠区域，比如分割的小图是960*960像素大小，则overlap可以设置为960*20%=192像素。
每个小图检测完成后，再将所有的框放到大图上，对大图整体做一次nms操作，将重叠区域的很多重复框去除。
这样操作，可以将很多小目标检出，比如16000*16000像素的遥感图像。
无人机视角下，也有很多小的目标。大白也进行了测试，效果还是不错的。
比如下图是将原始大图->416*416大小，直接使用目标检测网络输出的效果：
可以看到中间黄色框区域，很多汽车检测漏掉。
再使用分割的方式，将大图先分割成小图，再对每个小图检测，可以看出中间区域很多的汽车都被检测出来：
不过这样的方式有优点也有缺点：
优点：
（1）准确性
分割后的小图，再输入目标检测网络中，对于最小目标像素的下限会大大降低。
比如分割成$608608$大小，送入输入图像大小$608608$的网络中，按照上面的计算方式，原始图片上，长宽大于8个像素的小目标都可以学习到特征。
（2）检测方式
在大分辨率图像，比如遥感图像，或者无人机图像，如果无需考虑实时性的检测，且对小目标检测也有需求的项目，可以尝试此种方式。
缺点：
（1）增加计算量
比如原本7680*2160的图像，如果使用直接大图检测的方式，一次即可检测完。
但采用分割的方式，切分成N张608*608大小的图像，再进行N次检测，会大大增加检测时间。
借鉴Yolov5的四种网络方式，我们可以采用尽量轻的网络，比如Yolov5s网络结构或者更轻的网络。
当然Yolov4和Yolov5的网络各有优势，我们也可以借鉴Yolov5的设计方式，对Yolov4进行轻量化改造，或者进行剪枝。