对于学习完本文后掌握YOLOv5网络。以及yolov5类别数相关的题，你们想知道那些呢？下面让小编带你们了解一下。
YOLOv5网络结构
如上图所示，YOLOv5主要由四个部分组成Input、Backone、Neck和Prediction。在
1主干一种卷积神经网络，以不同的图像粒度聚合和塑造图像特征。
2Neck一系列网络层，混合和组合图像特征并将图像特征传递到预测层。
3Head预测图像特征，生成边界框，预测类别。
下面介绍YOLOv5网络各部分包含的基本组件。
CBL由Conv+BN+Leaky_relu激活函数组成
ResUnit通过绘制ResNet网络的残差结构构建深度网络
CSP1_X基于CSPNet网络结构，由CBL模块、Resunint模块、ConvolutionLayer、Concate组成。
CSP2_X基于CSPNet网络架构，该模块由卷积层和XResunint模块组成。
重点首先Concat多片结果，然后将其发送到CBL模块。
SPP使用11、55、99和1313最大池化方法进行多尺度特征融合。
2、输入端子详细说明
YOLOv5利用镶嵌数据增强操作来提高模型的训练速度和网络的准确性，并提出了自适应锚框计算和自适应图像缩放方法。
21马赛克数据增强
马赛克数据增强使用四张照片，并根据随机缩放、随机裁剪和随机排列将它们拼接在一起。每张照片都有自己的相框。将四张照片拼接在一起后，您会得到一张新照片和相应的相框。我们输入这些照片，然后将新照片传递给神经网络进行训练。这相当于一次传四张图片进行学习。该方法显着丰富了检测到的物体的背景，并且不太依赖批量大小，因为它在归一化BN计算过程中一次计算四张照片的数据。
22自适应锚架计算
Yolo系列算法需要针对不同的数据集设置特定长度和宽度的anchorbox。在网络训练阶段，在模型初始阶段，模型根据初始锚点框输出对应的预测框，计算与GT框的差距，然后进行逆更新操作来更新的参数。由于这是一个完整的网络，因此设置初始锚点框是重要的一步。
在YoloV3和YoloV4中，在不同数据集上训练时，运行单独的程序来获取初始锚框。
在yoloV5中，此功能内置于代码中。对于每次训练，都会根据数据集名称自适应计算锚框。用户可以根据自己的需要关闭或开启该功能。命令是
23自适应图像缩放
在目标检测算法中，由于不同的照片有不同的长度和宽度，常见的方法是将原始照片统一调整为标准尺寸，然后发送到检测网络。原来的缩放方法存在一些题，在实际中，你使用的很多照片都会有不同的长宽比，所以缩放和填充后两端的黑边会出现不同的大小，但是如果填充太多，大小就会不同。很大。信息重复的数量影响整个算法的推理速度。为了进一步提高YOLOv5的推理速度，该算法提出了一种可以自适应地向放大图像添加最小黑边的方法。具体实施步骤如下
1根据原始图像尺寸和输入网络的图像尺寸计算缩放比例。
2根据原始图像尺寸和比例因子计算缩放后的图像尺寸。
3计算黑色边框填充值。
No Comment