算法創新分為三種方式

第一種：面目一新的創新，比如Yolov1、Faster-RCNN、Centernet等，開創出新的算法領域，不過這種也是最難的。

第二種：守正出奇的創新，比如將圖像金字塔改進為特征金字塔。

第三種：各種先進算法集成的創新，比如不同領域發表的最新論文的tricks，集成到自己的算法中，卻發現有出乎意料的改進。

對象檢測網絡的通用架構：

1）Backbone -形成圖像特征。

2）Neck：對圖像特征進行混合和組合，生成特征金字塔

3）Head：對圖像特征進行預測，應用錨定框，生成帶有類概率、對象得分和邊界框的最終輸出向量。

【Yolov5網絡結構圖】

可視化結構圖：

不同網絡的寬度：

V5x： 367MB，V5l： 192MB，V5m： 84MB，V5s： 27MB，YOLOV4： 245 MB

四種Yolov5結構在不同階段的卷積核的數量都是不一樣的，因此直接影響卷積后特征圖的第三維度

Yolov5s第一個Focus結構中：最后卷積操作時，卷積核的數量是32個，特征圖的大小變成304×304×32。

而Yolov5m：卷積操作使用了48個卷積核，特征圖變成304×304×48。

…后面卷積下采樣操作也是同樣的原理

不同網絡的深度：

四種網絡結構中每個CSP結構的深度都是不同的

CSP1結構主要應用于Backbone中：

Yolov5s的CSP1：使用了1個殘差組件，CSP1_1。

Yolov5m：使用了2個殘差組件，CSP1_2。

Yolov5l，使用了3個殘差組件，

Yolov5x，使用了4個殘差組件。

主要的不同點：

（1）輸入端：Mosaic數據增強、自適應錨框計算、自適應圖片縮放

（2）Backbone：Focus結構，CSP結構

（3）Neck：FPN+PAN結構

（4）Prediction：GIOU_Loss

【輸入端】

①數據增強：

Mosaic數據增強

②自適應錨定框Auto Learning Bounding Box Anchors

網絡在初始錨框的基礎上 基于訓練數據 輸出預測框，因此初始錨框也是比較重要的一部分。見配置文件*.yaml， yolov5預設了COCO數據集640×640圖像大小的錨定框的尺寸：

每次訓練時，自適應的計算不同訓練集中的最佳錨框值。如果覺得計算的錨框效果不是很好，也可以在代碼中將自動計算錨框功能關閉。具體操作為train.py中下面一行代碼，設置成False

③自適應圖片縮放

在常用的目標檢測算法中，一般將原始圖片統一縮放到一個標準尺寸，再送入檢測網絡中。Yolo算法中常用416416，608608等尺寸。因為填充的比較多，會存在信息冗余，所以yolov5對原始圖像自適應的添加最少的黑邊。

【Backbone】

①Focus結構

以Yolov5s的結構為例，原始608x608x3的圖像輸入Focus結構，采用切片操作，先變成304x304x12的特征圖，再經過一次32個卷積核的卷積操作，最終變成304x304x32的特征圖。

②CSP結構

作者認為推理計算過高的問題是由于網絡優化中的梯度信息重復致，CSPNet（Cross Stage Paritial Network， 跨階段局部網絡），主要從網絡結構設計的角度解決推理中計算量很大的問題。

Yolov5中設計了兩種CSP結構，以Yolov5s網絡為例，CSP1_X結構應用于Backbone主干網絡，另一種CSP2_X結構則應用于Neck中。

【Neck】

FPN+PAN，網絡特征融合的能力更強

PAN（路徑聚合網絡）借鑒了圖像分割領域PANet的創新點

該作者認為在對象檢測中，特征融合層的性能非常重要，根據谷歌大腦的研究，［BiFPN］才是特征融合層的最佳選擇。誰能整合這項技術，很有可能取得性能大幅超越。

【輸出端】

①Activation Function

在 YOLO V5中，中間/隱藏層使用了 Leaky ReLU 激活函數，最后的檢測層使用了 Sigmoid 形激活函數

②nms非極大值抑制

在同樣的參數情況下，將nms中IOU修改成DIOU_nms。對于一些遮擋重疊的目標，會有一些改進。

③Optimization Function

YOLO V5的作者為我們提供了兩個優化函數Adam和SGD，并都預設了與之匹配的訓練超參數。默認為SGD。

④Cost Function

loss = objectness score+class probability score+ bounding box regression score

YOLO V5使用 GIOU Loss作為bounding box的損失。

YOLO V5使用二進制交叉熵和 Logits 損失函數計算類概率和目標得分的損失。同時我們也可以使用fl _ gamma參數來激活Focal loss計算損失函數。