yolov5详细讲解，包括网络结构图、关键创新点和部署

偏"技术报告 + 工程落地"的 YOLOv5 详细讲解。以下内容主要以 Ultralytics 官方架构文档里的 YOLOv5 v6.0/6.1 检测版 为主，因为这版最适合讲清楚检测结构、训练策略和部署链路。([Ultralytics Docs][1])

1. YOLOv5 是什么

YOLOv5 是一个 单阶段、实时、anchor-based 目标检测器。官方文档把它分成三段：Backbone 做特征提取，Neck 做多尺度特征融合，Head 输出分类、目标置信度和边框回归结果。以官方 v6.0/6.1 文档为例，它的主干是 CSPDarknet53 风格结构 ，Neck 用 SPPF + PANet ，Head 用 YOLOv3 Head。([Ultralytics Docs][1])

2. 网络结构图

用 yolov5s.yaml 的官方配置，把 YOLOv5s 画成一张简化结构图，大概是这样：([GitHub][2])

text 复制代码

Input
 └─ Backbone
    ├─ Conv(64, k=6, s=2)        -> P1/2
    ├─ Conv(128, k=3, s=2)       -> P2/4
    ├─ C3(128, n=3)
    ├─ Conv(256, k=3, s=2)       -> P3/8
    ├─ C3(256, n=6)
    ├─ Conv(512, k=3, s=2)       -> P4/16
    ├─ C3(512, n=9)
    ├─ Conv(1024, k=3, s=2)      -> P5/32
    ├─ C3(1024, n=3)
    └─ SPPF(1024)

 └─ Neck / Head
    ├─ 1x1 Conv
    ├─ Upsample + Concat(P4) + C3
    ├─ 1x1 Conv
    ├─ Upsample + Concat(P3) + C3  -> Detect Small  (P3/8)
    ├─ Downsample + Concat + C3    -> Detect Medium (P4/16)
    ├─ Downsample + Concat + C3    -> Detect Large  (P5/32)
    └─ Detect(P3, P4, P5)

这张图的核心意思是：先下采样提语义，再上采样融合浅层细节，最后在 3 个尺度上做检测 。官方 yolov5s.yaml 里，Backbone 和 Head 的每一层都明确写出来了，包括 Conv / C3 / SPPF / Upsample / Concat / Detect 的连接关系。([GitHub][2])

3. Backbone：为什么它提特征快

YOLOv5 的基本卷积块 Conv 实际上是 Conv + BN + Activation ，默认激活函数是 SiLU。这比"只看见一个 Conv 名字"更重要，因为它决定了训练稳定性和部署时的融合方式。([GitHub][3])

3.1 C3 模块

C3 是 YOLOv5 里最有代表性的块。源码看，它本质上是：

两条 1x1 Conv 分支；
其中一条走若干个 Bottleneck；
两条分支最后 Concat；
再过一个 1x1 Conv 输出。([GitHub][3])

它的意义可以直接理解成：

保留一部分原始梯度流，减轻深层网络训练难度；
比"全通道都走重计算"更省算力；
在保持表达能力的同时，做了 CSP 风格的部分跨阶段连接。([GitHub][3])

3.2 SPPF 模块

SPPF 是 SPP 的加速版。源码明确写了它 等价于 SPP(k=(5, 9, 13)) ，但实现方式更快；官方文档也明确说，在 v6.0/6.1 里 SPP 被 SPPF 替代，并给出"速度提升超过 2 倍、输出保持一致"的说明。([GitHub][3])

3.3 Focus 为什么消失了

早期 YOLOv5 有 Focus，它通过切片把空间信息折叠进通道。到了 v6.0/6.1，官方把它换成了 6x6 Conv2d ，理由是更高效。这个变化很重要，因为很多旧讲解图还停留在 Focus 时代。([Ultralytics Docs][1])

4. Neck：为什么它对小目标更友好

Neck 主要做两件事：

自顶向下：把高层语义传给高分辨率特征；
自底向上：再把局部细节和语义重新聚合。([Ultralytics Docs][1])

从 yolov5s.yaml 看，它先把 P5 上采样，与 Backbone 的 P4 拼接；再继续上采样，与 Backbone 的 P3 拼接；之后再两次下采样，把这些融合特征重新汇总成 P3、P4、P5 三个检测层。这个过程就是典型的 PANet 风格多尺度特征融合。([Ultralytics Docs][1])

你可以把它理解成：

浅层：分辨率高，适合小目标；
深层：语义强，适合大目标；
Neck：把两边优点揉在一起。([Ultralytics Docs][1])

5. Head：YOLOv5 输出

YOLOv5 的 Detect Head 是 anchor-based 的。源码里：

self.no = nc + 5，也就是每个 anchor 输出 x, y, w, h, obj + classes；
self.nl 是检测层数；
self.na 是每层的 anchor 数；
每个检测层最后用一个 1x1 Conv 产生输出。([GitHub][4])

对 COCO 的 80 类来说，每个 anchor 输出就是 85 维 。源码还明确写了张量形状会被整理成 x(bs, 3, ny, nx, 85) 这样的形式。([GitHub][4])

5.1 三个检测尺度

yolov5s.yaml 里标得很清楚，YOLOv5 默认检测层是：

P3/8
P4/16
P5/32。([GitHub][2])

如果输入是 640×640，那么这三个特征图就是：

80×80
40×40
20×20。
这是直接由 stride 8/16/32 推出来的。再结合每层 3 个 anchor，总候选框数就是：

3 × (80×80 + 40×40 + 20×20) = 25200。这一点和很多导出模型里常见的 (1, 25200, 85) 输出是一致的。([GitHub][2])

5.2 边框解码为什么更稳

YOLOv5 对 box decode 做了关键改动。源码中的推理公式是：

xy = (sigmoid(xy) * 2 + grid) * stride
wh = (sigmoid(wh) * 2)^2 * anchor_grid。([GitHub][4])

官方文档解释了这样做的目的：

中心点偏移范围从 (0, 1) 扩成 (-0.5, 1.5)，减轻 grid sensitivity；
宽高不再使用旧 YOLO/Darknet 里容易失控的 exp() 方式，降低梯度爆炸、NaN 和训练不稳定风险。([Ultralytics Docs][1])

6. YOLOv5 的关键创新点

如果你问"YOLOv5 真正强在哪"，我会把它分成 结构创新、训练创新、工程创新 三类。

6.1 结构层面

最重要的结构点有四个：

C3/CSP 风格主干块，兼顾梯度流和计算效率。([GitHub][3])
Focus → 6×6 Conv，让前端更高效。([Ultralytics Docs][1])
SPP → SPPF，用更快方式获得多尺度感受野。([Ultralytics Docs][1])
PANet 多尺度融合 + 三尺度检测头，同时照顾小中大目标。([Ultralytics Docs][1])

6.2 训练层面

官方文档列出的训练增强和策略非常全，核心包括：

Mosaic
Copy-Paste
Random Affine
MixUp
Albumentations
HSV Augmentation
Random Horizontal Flip
Multiscale Training
AutoAnchor
Warmup + Cosine LR
EMA
Mixed Precision
Hyperparameter Evolution。([Ultralytics Docs][1])

其中最典型的是：

Mosaic：4 张图拼成 1 张图，显著增加目标尺度和上下文多样性；
AutoAnchor：针对你自己的数据集自动匹配更合适的 anchor；
EMA + AMP：一个稳训练，一个提速度省显存。([Ultralytics Docs][1])

6.3 损失函数与目标分配

YOLOv5 的 loss 由三部分组成：

分类损失：BCE
目标存在性损失：BCE
定位损失：CIoU。([Ultralytics Docs][1])

并且三个尺度的 objectness loss 不是一视同仁，而是按 [4.0, 1.0, 0.4] 做平衡，这样小目标层不会在总损失里被淹没。([Ultralytics Docs][1])

目标分配上，官方文档还强调了两点：

先比较 GT 和 anchor 尺寸比；
满足阈值再匹配到合适网格；
因为中心偏移范围放宽，一个 GT 可以匹配到多个候选单元。([Ultralytics Docs][1])

7. 为什么 YOLOv5 很适合工程部署

YOLOv5 真正流行，除了精度和速度，还因为它工程闭环很完整。官方导出文档支持从 PyTorch 权重直接导出多种部署格式，包括：

TorchScript
ONNX
OpenVINO
TensorRT
CoreML
TensorFlow SavedModel
PB
TFLite
Edge TPU
TF.js
PaddlePaddle。([Ultralytics Docs][5])

官方还给出经验结论：

ONNX / OpenVINO 可带来最高约 3× CPU speedup；
TensorRT 可带来最高约 5× GPU speedup。([Ultralytics Docs][5])

8. 实际部署怎么做

8.1 最常见导出命令

官方示例最常见的是：([Ultralytics Docs][5])

bash 复制代码

python export.py --weights yolov5s.pt --include torchscript onnx

只导出 ONNX 则是：([Ultralytics Docs][5])

bash 复制代码

python export.py --weights yolov5s.pt --include onnx

还可以加 --half 导出 FP16，以减小模型体积。([Ultralytics Docs][5])

8.2 官方支持的推理方式

官方文档明确给出，导出后仍可直接用 detect.py / val.py 跑多种后端，例如：

yolov5s.pt：PyTorch
yolov5s.torchscript：TorchScript
yolov5s.onnx：ONNX Runtime 或 OpenCV DNN
yolov5s_openvino_model：OpenVINO
yolov5s.engine：TensorRT
yolov5s.tflite：TFLite。([Ultralytics Docs][5])

8.3 OpenCV DNN / C++ 部署

如果你走 C++ 路线，官方文档专门有：

OpenCV DNN inference
C++ Inference
两个章节。官方示例流程是先导出 ONNX，再用 --dnn 调 OpenCV DNN：([Ultralytics Docs][5])

bash 复制代码

python export.py --weights yolov5s.pt --include onnx
python detect.py --weights yolov5s.onnx --dnn
python val.py --weights yolov5s.onnx --dnn

而且官方文档还列了 OpenCV DNN C++ 和 OpenVINO C++ 示例仓库，说明这条部署链路是官方明确支持的。([Ultralytics Docs][5])

9. 部署时最容易踩的坑

这部分是工程经验总结：

第一，预处理必须对齐。

你自己写 ONNXRuntime / TensorRT / OpenCV DNN 推理时，输入缩放、padding、颜色通道顺序、归一化、坐标缩放还原必须和训练/验证链路一致，否则精度掉得很明显。

第二，后处理必须对齐。

YOLOv5 不是"网络吐出框就结束"，而是还要做：

box decode
confidence 过滤
NMS
尤其是你自己写 C++ 解码时，要按 xy/wh 的官方公式来，不要用旧 YOLOv3 的解法。这个差别会直接影响框位置和稳定性。源码和官方架构文档都能看到这一点。([GitHub][4])

第三，选对后端。

一般可以这么选：

纯 Python 验证：PyTorch / TorchScript
CPU 服务：ONNX Runtime 或 OpenVINO
NVIDIA GPU：TensorRT
移动端：TFLite / CoreML
浏览器：TF.js。([Ultralytics Docs][5])

10. 总结 YOLOv5

如果只用一句话概括：

YOLOv5 的成功，不只是"一个检测网络"，而是"C3 + SPPF + PAN 多尺度融合 + 更稳的 box decode + 很强的数据增强 + 完整导出部署链路"共同构成的工程化检测体系。这也是为什么它在工业视觉、边缘部署和自定义数据集训练里一直非常能打。([Ultralytics Docs][1])

链接：

1\]: https://docs.ultralytics.com/yolov5/tutorials/architecture_description/ "Ultralytics YOLOv5 Architecture - Ultralytics YOLO Docs" \[2\]: https://github.com/ultralytics/yolov5/blob/master/models/yolov5s.yaml "yolov5/models/yolov5s.yaml at master · ultralytics/yolov5 · GitHub" \[3\]: https://github.com/ultralytics/yolov5/blob/master/models/common.py "yolov5/models/common.py at master · ultralytics/yolov5 · GitHub" \[4\]: https://github.com/ultralytics/yolov5/blob/master/models/yolo.py "yolov5/models/yolo.py at master · ultralytics/yolov5 · GitHub" \[5\]: https://docs.ultralytics.com/yolov5/tutorials/model_export/ "TFLite, ONNX, CoreML, TensorRT Export - Ultralytics YOLO Docs"