目标检测之YOLOv5算法分析

YOLOv5共有5个版本的网络模型及其权重文件，即（n,s,m,l,x）。
（下图来自github上yolov5官方开源项目的性能截图）

其中n,s,m,l,x网络模型结构如出一辙，差异在参数上。另外的n6,s6,m6,l6,x6模型是对于更大分辨率图片检测。

网络结构

该网络结构图来自CSDN博主：江大白。此处引用，仅供学习记录使用。

此图为YOLOv5sYOLOv5sYOLOv5s的网络模型架构。

Backbone

CSP-Darknet53

Neck

SPPF + CSP-PAN

Head

YOLOv3 Head
输出三种大小的特征预测，如分别是(76,76,255),(38,38,255),(19,19,255)(76,76,255),(38,38,255),(19,19,255)(76,76,255),(38,38,255),(19,19,255)，不同版本不一致。

重点解析

边界框优化
在YOLOv4的基础上，将bw=pw∗etwb_w=p_w*e^{t_w}bw=pw∗etw与bh=ph∗ethb_h=p_h*e^{t_h}bh=ph∗eth换成bw=pw∗(2∗σ(etw))2b_w=p_w*(2*\sigma(e^{t_w}))^2bw=pw∗(2∗σ(etw))2与bh=ph∗(2∗σ(eth))2b_h=p_h*(2*\sigma(e^{t_h}))^2bh=ph∗(2∗σ(eth))2.
使用σ\sigmaσ函数旨在限制twt_wtw与tht_hth的值域，避免出现Nan的情况发生。

数据增强
数据增强方式有mosaic、HSV色域变换、旋转、缩放、翻转、平移、剪切等

真实框与Anchor匹配

rw=wgtwatrh=hgthatrwmax=max(rw,1rw)rhmax=max(rh,1rh)rwmax=max(rwmax,rhmax)\begin{align} r_w&=\frac{w_{gt}}{w_{at}}\\ r_h&=\frac{h_{gt}}{h_{at}}\\ r_w^{max}&=max(r_w,\frac{1}{r_w})\\ r_h^{max}&=max(r_h,\frac{1}{r_h})\\ r_w^{max}&=max(r_w^{max},r_h^{max})\\ \end{align} rwrhrwmaxrhmaxrwmax=watwgt=hathgt=max(rw,rw1)=max(rh,rh1)=max(rwmax,rhmax)
其中wgtw_{gt}wgt为真实框的宽度，watw_{at}wat为anchor的宽度，hgth_{gt}hgt为真实框的高度，hath_{at}hat为anchor的高度。

(3)(4)(3)(4)(3)(4)两式子用于衡量真实框与anchor差异大小，如果两者框的差异最小或两个框最相近，那么rhmaxr_h^{max}rhmax和rwmaxr_w^{max}rwmax为1.最后(5)(5)(5)中，获取框在高、宽上的最大差异值。这个差异值会与给定的阈值进行比较，如果满足阈值条件则认为匹配成功，否则失败。该原理与之前的使用IOU匹配原理类似。

损失函数（v6.0及以后版本）
损失=边界框定位损失+目标分类损失+CIoU损失（置信度损失）
Loss=λ1Lloc+λ2Lcls+λ3LciouLoss=\lambda_1L_{loc}+\lambda_2L_{cls}+\lambda_3L_{ciou}Loss=λ1Lloc+λ2Lcls+λ3Lciou
也即
参数K为特征图数量，S2S^2S2为grid cell数量，BBB为anchor数量。

其中为了平衡不同尺度的损失（在coco数据集上），对于三个预测特征层{P3(小目标，如76∗76),P4(中等目标，如38∗38),P5(大目标，如19∗19)}\{P_3(小目标，如76*76),P_4(中等目标，如38*38),P_5(大目标，如19*19)\}{P3(小目标，如76∗76),P4(中等目标，如38∗38),P5(大目标，如19∗19)}上的目标CIOU损失采用不同的权重：Lossciou=4∗Lciousmall+Lcioumedium+0.4∗LcioulargeLoss_{ciou}=4*L_{ciou}^{small}+L_{ciou}^{medium}+0.4*L_{ciou}^{large}Lossciou=4∗Lciousmall+Lcioumedium+0.4∗Lcioularge
损失函数中，为了提高对小目标的精准度，提高了小目标预测的损失。