Ultralytics YOLOv5架构

YOLOv5（v6.0/6.1）是由Ultralytics开发的一种强大的目标检测算法。本文深入探讨了YOLOv5架构、数据增强策略、训练方法和损失计算技术。这种全面的理解将有助于提升您在各个领域（包括监控、自动驾驶车辆和图像识别）中目标检测的实际应用。

1. 模型结构

YOLOv5的架构由三个主要部分组成：

Backbone：这是网络的主体。对于YOLOv5，backbone采用了New CSP-Darknet53结构，这是对之前版本中使用的Darknet架构的修改。
Neck：这部分连接backbone和head。在YOLOv5中，使用了SPPF和New CSP-PAN结构。
Head：这部分负责生成最终输出。YOLOv5使用YOLOv3 Head来实现这一目的。

模型的结构如下图所示。模型结构的详细信息可以在yolov5l.yaml中找到。

yolov5

YOLOv5相对于其前身引入了一些小的变化：

早期版本中的Focus结构被替换为6x6 Conv2d结构。这一变化提高了效率#4825。
SPP结构被替换为SPPF。这一改动使处理速度提高了两倍以上。

要测试SPP和SPPF的速度，可以使用以下代码：

SPP vs SPPF速度分析示例（点击打开）

import time

import torch
import torch.nn as nn


class SPP(nn.Module):
    def __init__(self):
        """初始化一个包含三种不同大小最大池化层的SPP模块。"""
        super().__init__()
        self.maxpool1 = nn.MaxPool2d(5, 1, padding=2)
        self.maxpool2 = nn.MaxPool2d(9, 1, padding=4)
        self.maxpool3 = nn.MaxPool2d(13, 1, padding=6)

    def forward(self, x):
        """在输入`x`上应用三个最大池化层，并将结果沿通道维度连接。"""
        o1 = self.maxpool1(x)
        o2 = self.maxpool2(x)
        o3 = self.maxpool3(x)
        return torch.cat([x, o1, o2, o3], dim=1)


class SPPF(nn.Module):
    def __init__(self):
        """初始化一个包含特定配置的MaxPool2d层的SPPF模块。"""
        super().__init__()
        self.maxpool = nn.MaxPool2d(5, 1, padding=2)

    def forward(self, x):
        """应用顺序最大池化，并将结果与输入张量连接。"""
        o1 = self.maxpool(x)
        o2 = self.maxpool(o1)
        o3 = self.maxpool(o2)
        return torch.cat([x, o1, o2, o3], dim=1)


def main():
    """比较SPP和SPPF在随机张量（8, 32, 16, 16）上的输出和性能。"""
    input_tensor = torch.rand(8, 32, 16, 16)
    spp = SPP()
    sppf = SPPF()
    output1 = spp(input_tensor)
    output2 = sppf(input_tensor)

    print(torch.equal(output1, output2))

    t_start = time.time()
    for _ in range(100):
        spp(input_tensor)
    print(f"SPP time: {time.time() - t_start}")

    t_start = time.time()
    for _ in range(100):
        sppf(input_tensor)
    print(f"SPPF time: {time.time() - t_start}")


if __name__ == "__main__":
    main()

结果：

True
SPP time: 0.5373051166534424
SPPF time: 0.20780706405639648

2. 数据增强技术

YOLOv5采用了多种数据增强技术，以提高模型的泛化能力并减少过拟合。这些技术包括：

Mosaic增强：一种图像处理技术，将四张训练图像组合成一张，以鼓励目标检测模型更好地处理各种目标尺度和平移。
Copy-Paste增强：一种创新的数据增强方法，随机从一张图像中复制补丁并粘贴到另一张随机选择的图像上，从而有效地生成新的训练样本。

- 随机仿射变换：包括图像的随机旋转、缩放、平移和剪切。
MixUp 增强：一种通过取两张图像及其相关标签的线性组合来创建复合图像的方法。
Albumentations：一个强大的图像增强库，支持多种增强技术。
HSV 增强：对图像的色调、饱和度和亮度进行随机变化。
随机水平翻转：一种随机水平翻转图像的增强方法。