微信版网站开发网站运行速度慢
0. 写在前面
这篇博文主要是为了记录一下yolov5中的小的记忆点，方便自己查看和理解。
1. 完整过程
（1）Input阶段，图片需要经过数据增强Mosaic，并且初始化一组anchor预设；
（2）特征提取（Backbone）：使用Conv、C3、SPPF基本结构对输入图片进行特征提取，Conv用于对输入进行下采样（一共进行了5次下采样）；C3用于对输入进行特征提取、融合，丰富特征的语义信息，在这个过程中使用了BoottleNeck减少参数量和计算量、借鉴CSPNet思想增强CNN学习能力；SPPF利用池化、特征融合的方式丰富特征的语义信息，使得最深层的特征图拥有极丰富的语义信息；
（3）加工特征（Neck）：v5是三种尺度的特征图融合浅层特征，浅层特征在检测方面有优势，借鉴了PANet，对提取的特征图融合浅层特征，使得特征图既具有丰富的语义信息又具有物体准确的位置信息；
（4）预测目标（Head）:对加工后的特征图进行预测，根据损失函数和优化器优化参数权重。
2. 小知识
2.1 特征融合方式
concat: 张量拼接，会扩充两个张量的维度，例如26*26*256和26*26*512张量拼接，结果是26*26*768;
add:张量相加，张量直接相加，不会扩充维度，例如104*104*128和104*104*128相加，结果还是104*104*128。
2.2 anchor
锚框就是在图像上预设好不同大小，不同长宽比的参照框。anchor是由FasterRCNN提出的，anchor解决了scale和aspect ratio变化范围大的问题，即将单元格的预测框控件划分了几个子空间，降低模型学习难度。
输入640*640的图片，经过32倍、16倍和8倍下采样，会产生20*20、40*40和80*80大小的特征图（网格尺寸），特征图的每个像素（该像素对应的视野大小就是网格中的单元格大小）设置3个anchor，因此v5共有（20*20+40*40+80*80）*3 = 25200个anchor。
借助网络训练的强大拟合能力，直接让网络输出每个anchor是否包含（或者说与物体有较大重叠，也就是IoU较大）物体，以及被检测物体相对本anchor的中心点偏移以及长宽比例。因为anchor的位置是固定的，所以就很容易换算出实际物体的位置。
2.3 BottleNeck
目的是减少参数量和计算而设计的，1*1,64 + 3*3，64 + 1*1，256的卷积层替换3*3的卷积层；
假设Input[1,256,10,10]，则：
普通卷积参数量：256 * 3 *3 *256+256=590080；计算量FLOPs:256*3*3*256*10*10=58982400;
BottleNeck的参数量:（256*1*1*64+64） + （64*3*3*64+64）+（64*1*1*256+256）=70016；
BottleNeck的计算量：256*1*1*64*10*10+64*3*3*64*10*10+64*1*1*256*10*10 = 6963200；
BottleNeck结构减少了参数量和计算量十分明显。