1. YOLO V5模型概述
1.1 YOLOv5的概念
YOLOv5是一种基于深度学习的目标检测模型，相较于YOLOv4，YOLOv5模型在目标检测精度和速度上都有了显著的提升。
YOLOv5模型基于PyTorch开发，利用主干网络、检测头和损失函数等模块，能够实现对图像中多个目标的快速检测和定位。
1.2 YOLOv5模型的组成
-
Backbone（骨干网络）：YOLOv5使用CSPDarknet53作为骨干网络，CSPDarknet53是一种深度残差网络结构，它使用了CSP（Cross Stage Partial）连接来减少参数量并提升特征表达能力。
-
Neck（特征融合模块）：YOLOv5使用PANet作为特征融合模块，PANet通过建立金字塔结构，将不同尺度的特征图进行融合，提高了模型对不同尺度目标的检测能力。
-
Head（检测头部）：YOLOv5使用YOLOv4的一个改进版本，即YOLOv3-Tiny的检测头部结构，该结构包含了多个卷积层和全连接层，用于生成预测框和置信度。
2. YOLO V5的创新点
2.1 数据输入
1：Mosaic数据增强
Yolov5的输入端与Yolov4同样采用了Mosaic数据增强，对四张图片随即缩放，随机裁剪，随机排布之后再拼接。（丰富了数据集、降低了训练成本。）
2：自适应图片缩放-letterbox
letterbox操作在目标检测算法中主要用于自适应图片缩放，确保图片在缩放时保持其长宽比，同时填充空白部分以适应模型输入要求。（对原始图像自适应的添加最少的黑边）
2.2 -anchor生成
1：自适应锚框计算
锚框（Anchor box），用于预测框计算做参考的预定义框，基于这个参考，算法生成的预测框仅需要在这个锚框的基础上进行“精修或微调fine-tuning”即可，这样算法可以收敛的更快，检测效果更好。
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
2.3 -Backbone结构（骨干网络）
1： CSPDarkNet53模型结构+Focus结构
图片进入backbone前，Focus结构对图片进行切片操作。
mAP（mean Average Precision）用于衡量目标检测算法的性能。全类平均正确率（mAP，又称全类平均精度）是将所有类别检测的平均正确率（AP）进行综合加权平均而得到的。
2：Focus结构
Yolov5与Yolov4相比，添加了Focus结构。
在每张图片中每隔一个像素采集一个值，这样可组合为4张互补且无信息丢失的图片，同时将宽高信息集中到通道空间，输入通道扩充4倍，拼接后的图片相对于原图片的RGB三通道模式变为12通道，即4x4x3的图像经切片后变为了2x2x12的特征图。
2.4 -Neck（特征融合模块）
FPN+PAN的结构
FPN是自顶向下的，将高层的 特征信息通过上采样的方式进行 传递融合，得到进行预测的特征 图。
PAN一个自底向上的金字塔， 这样的操作是对FPN的补充， 将低层的强定位特征传递上去。
1.5 损失函数
1:Bounding Box的损失函数-GIOU_Loss
3. 特点与意义
3.1 YOLO V5特点
1、模型的推理速度快
2、可以进行实时检测，准确率高
3.1 YOLO V5在深度学习发展史上的意义
1、促进了目标检测领域的技术更新、发展。
2、促进卷积神经网络工业化应用的发展。
标签：YOLOv5,检测,模型,YOLO,算法,V5,图片 From： https://blog.csdn.net/Helowr/article/details/144617883