目标检测 YOLO 系列：快速迭代 YOLO v5
作者：互联网
目标检测 YOLO 系列：快速迭代 YOLO v5
作者：Glenn Jocher
发表时间：2020
Paper 原文：没有发表论文，通过 github（yolov5） 发布。
1. 概览
YOLOv5 刚发布之初还颇有争议，有人觉得它能不能叫 YOLOv5，但是它凭借优秀的性能和完善的工程配套（移植到其他平台）能力，现在（2021年）YOLOv5 依然是检测领域最活跃的模型。YOLOv5 不仅生而不凡，更关键的是它还非常勤快，从发布至今，已经发布了 5 个大版本。所以在使用 YOLOv5 的时候需要注意它的小版本。下面是 各个小版本网络结构上的区别。
-
YOLOv5 5.0
-
P5 结构和 4.0 一致
-
P6 4 个输出层（stride 分别为 8，16，32，64）
-
-
YOLOv5 4.0
- 将 YOLOv5 3.0 nn.LeakyReLU(0.1) 和 nn.Hardswish() 替换为 nn.SiLU()
-
YOLOv5 3.1
- 主要是 bug fix
-
YOLOv5 3.0
- 采样 nn.Hardswish() 激活函数
-
YOLOv5 2.0
- 结构不变，主要是 bugfix，但是于 1.0 有兼容性问题
-
YOLOv5 1.0
- 横空出世
除开小版本之外，为了方便进行不同场景下模型的选择，又分为 s, m, l, x 四种不同大小的网络结构。
2. 网络结构
网络结构建议参考 深入浅出Yolo系列之Yolov5核心基础知识完整讲解，里面有高清大图，非常详细。整的来说，相比 v4，主要是加入了 Focus 层，然后激活函数有调整，整体网络架构还是比较类似的。
3. 损失函数
以 5.0 的代码为例，loss 中可以通过设置 fl_gamma 来激活 focal loss。另外 IOU loss 也支持 GIOU， DIOU， CIOU。
def compute_loss(p, targets, model): # predictions, targets, model
device = targets.device
lcls, lbox, lobj = torch.zeros(1, device=device), torch.zeros(1, device=device), torch.zeros(1, device=device)
tcls, tbox, indices, anchors = build_targets(p, targets, model) # targets
h = model.hyp # hyperparameters
# Define criteria
BCEcls = nn.BCEWithLogitsLoss(pos_weight=torch.tensor([h['cls_pw']], device=device)) # weight=model.class_weights)
BCEobj = nn.BCEWithLogitsLoss(pos_weight=torch.tensor([h['obj_pw']], device=device))
# Class label smoothing https://arxiv.org/pdf/1902.04103.pdf eqn 3
cp, cn = smooth_BCE(eps=0.0)
# Focal loss
g = h['fl_gamma'] # focal loss gamma
if g > 0:
BCEcls, BCEobj = FocalLoss(BCEcls, g), FocalLoss(BCEobj, g)
# Losses
nt = 0 # number of targets
no = len(p) # number of outputs
balance = [4.0, 1.0, 0.3, 0.1, 0.03] # P3-P7
for i, pi in enumerate(p): # layer index, layer predictions
b, a, gj, gi = indices[i] # image, anchor, gridy, gridx
tobj = torch.zeros_like(pi[..., 0], device=device) # target obj
n = b.shape[0] # number of targets
if n:
nt += n # cumulative targets
ps = pi[b, a, gj, gi] # prediction subset corresponding to targets
# Regression
pxy = ps[:, :2].sigmoid() * 2. - 0.5
pwh = (ps[:, 2:4].sigmoid() * 2) ** 2 * anchors[i]
pbox = torch.cat((pxy, pwh), 1) # predicted box
iou = bbox_iou(pbox.T, tbox[i], x1y1x2y2=False, CIoU=True) # iou(prediction, target)
lbox += (1.0 - iou).mean() # iou loss
# Objectness
tobj[b, a, gj, gi] = (1.0 - model.gr) + model.gr * iou.detach().clamp(0).type(tobj.dtype) # iou ratio
# Classification
if model.nc > 1: # cls loss (only if multiple classes)
t = torch.full_like(ps[:, 5:], cn, device=device) # targets
t[range(n), tcls[i]] = cp
lcls += BCEcls(ps[:, 5:], t) # BCE
# Append targets to text file
# with open('targets.txt', 'a') as file:
# [file.write('%11.5g ' * 4 % tuple(x) + '\n') for x in torch.cat((txy[i], twh[i]), 1)]
lobj += BCEobj(pi[..., 4], tobj) * balance[i] # obj loss
s = 3 / no # output count scaling
lbox *= h['box'] * s
lobj *= h['obj']
lcls *= h['cls'] * s
bs = tobj.shape[0] # batch size
loss = lbox + lobj + lcls
return loss * bs, torch.cat((lbox, lobj, lcls, loss)).detach()
4. 后处理
YOLO v5 的后处理代码看起来有点费劲，我整理了一下后处理的流程图，可以作为参考。
5. 性能
YOLO v5 在精度上和 v4 相比可能并没有优势，但是速度（训练和推理，特别是在训练阶段优势明显）上却有很多的优势，另外就是工程化能力也是优势。
参考
标签：loss,YOLOv5,torch,迭代,YOLO,v5,device,model,targets 来源： https://blog.csdn.net/kuweicai/article/details/119296670