前言
以下内容仅为个人在学习人工智能中所记录的笔记，先将目标识别算法yolo系列的整理出来分享给大家，供大家学习参考。
本文未对论文逐句逐段翻译，而是阅读全文后，总结出的YOLO V5的思路与实现路径。
若文中内容有误，希望大家批评指正。
资料下载
项目地址：YOLO V5_v6
回顾：
YOLO V5是是Glenn Jocher等人研发，它是Ultralytics公司的开源项目，没有相关论文。
YOLOv5根据参数量分为了YOLOv5n（Nano）、YOLOv5s（Small）、YOLOv5m（Medium）、YOLOv5l（Large）和 YOLOv5x（Extra Large）五种类型，其参数量依次上升，当然了其效果也是越来越好。从2020年6月发布至2022年11月已经更新了7个大版本，在v7版本中还添加了语义分割的功能。
本文以YOLOv5_v6为媒介，对YOLOv5进行学习。
YOLO V5的5个pt文件的参数如下所示：
YOLOv5n summary: 213 layers, 1867405 parameters, 0 gradients, 4.5 GFLOPs
YOLOv5s summary: 213 layers, 7225885 parameters, 0 gradients, 16.4 GFLOPs
YOLOv5m summary: 290 layers, 21172173 parameters, 0 gradients, 48.9 GFLOPs
YOLOv5lsummary: 367 layers, 46533693 parameters, 0 gradients, 109.0 GFLOPs
YOLOv5x summary: 444 layers, 86705005 parameters, 0 gradients, 205.5 GFLOPs
一、YOLO V5_v6思想
1、在训练阶段 ，YOLO V5使用Mosaic数据增强 来提升模型的训练速度和网络精度，自适应锚框计算 （YOLO V2提出，详情可看：【YOLO系列】YOLO V2论文思想详解，【YOLO系列】 速看！YOLOv3中如何使用K-Means聚类算法生成Anchor Box）。
2、在Backbone 网络中，YOLO V5改进了YOLO V4的CSPDarkNet53网络 ，使用SiLu激活函数代替了YOLO V4中的Mish激活函数。
3、在Neck 网络中，YOLO V5使用SPPF替代了YOLO V4中的SPP模块来融合不同尺度大小的特征图。同时，利用自底向上的PAN特征金字塔提升网络的特征提取能力。
4、YOLO V5的Head依然和YOLO V4一样使用了YOLO V3的head并没有做特别的改进。
5、模型在训练前，先进行了Warmup热身 ，然后在采用了CosineAnnealingLR学习率下降的策略，让学习率随epoch的变化图类似于cos变化。
二、YOLO V5_v6模型结构
YOLO V5现在已经更新到v7，但是每个版本的核心架构都是大差不差的。
在v1~v4的版本，YOLOV5的Backbone几乎没有变化 ，最多是每个卷积后激活函数变了，并且都只是用了两次upsample来输入特征图来做detect；
从v5开始，模型neck的深度变大了，也就是做了三次upsample来输出特征图做最后的预测；
到v6，模型删除foucs ，将SPP替换成了SPPF；
v7版本又加上了语义分割的功能，其余的变化并不大。
接下来我把v1~v6版本的模型结构都给出来，供大家参考，每个版本均有yolov5s为基础。
1、YOLO V5粗略图
（1）v1~v4
（2）v5~v6
2、YOLO V5详细图
（1）v3
v2和v1就是把下图中CONV模块中的激活函数换成LeakyReLU即可
（2）v4
（3）v5
（4）v6
关注公众号，获取200+本Python、人工智能相关学习资料
