YOLO V5
Backbone
SPPF
SPP 是使用了3个kernel size不一样大的pooling 并行运算。SPPF是将kernel size为5的 pooling 串行运算，这样的运算的效果和SPP相同，但是运算速度加快。因为SPPF减少了重复的运算，每一次的pooling 运算都是在上一次运算的基础上进行的。
CSP-PAN neck
在YOLO V4中，作者仅仅使用了PAN模块，在PAN中的卷积操作为一般卷积操作。而在YOLO V5中，PAN中的卷积操作换为了CSP。如图，上图为YOLO V4中的PAN模块，下图为YOLO V5的CSP-PAN模块。
YOLO V5 CSP-PAN模块
Loss Function
Loss function 的组成和YOLO V3一样，同样是由
Classes loss
,
Objectness loss
,
Location loss
.
改进：
Location Loss采用的是 CIOU Loss.Objectness Loss在YOLO V3中 将IOU最大的设为正样本，将IOU小于阈值的设为负样本，其他的都不考虑。而在YOLO V5 中是计算所有样本的obj损失，采用CIOU作为标准。- 对于
Objectness Loss同时也平衡了不同尺度的损失，针对三个预测特征层上的obj损失赋予不同的权重。 L o b j = 4.0 ⋅ L o b j s m a l l + 1.0 ⋅ L o b j m e d i u m + 0.4 ⋅ L o b j l a r g e L_{obj} = 4.0 \cdot L^{small}{obj} +1.0 \cdot L^{medium}{obj}+0.4 \cdot L^{large}_{obj} Lobj=4.0⋅Lobjsmall+1.0⋅Lobjmedium+0.4⋅Lobjlarge
横纵比偏移优化
在YOLO V4对于x, y进行了优化使其对极限值0和1更加敏感一些。然而，对于横纵比同样存在问题，原始的公式中仅使用
e
x
e^x
ex 来进行偏移，这样会导致偏移量没有限制，变得十分敏感。
b
w
=
p
w
e
t
w
b
h
=
p
h
e
t
h
\begin{aligned} b_w = p_we^{t_w}\\ b_h = p_he^{t_h} \end{aligned}
bw=pwetwbh=pheth
而在 YOLO V5中对横纵比的偏移进行了优化，将其变成如下：
b
x
=
2
σ
(
t
x
)
−
0.5
+
c
x
b
y
=
2
σ
(
t
y
)
−
0.5
+
c
y
b
w
=
p
w
(
2
σ
(
t
w
)
)
2
b
h
=
p
h
(
2
σ
(
t
h
)
)
2
\begin{array}{c} b_{x}=2 \sigma\left(t_{x}\right)-0.5+c_{x} \\ b_{y}=2 \sigma\left(t_{y}\right)-0.5+c_{y} \\ b_{w}=p_{w}\left(2 \sigma\left(t_{w}\right)\right)^{2} \\ b_{h}=p_{h}\left(2 \sigma\left(t_{h}\right)\right)^{2} \end{array}
bx=2σ(tx)−0.5+cxby=2σ(ty)−0.5+cybw=pw(2σ(tw))2bh=ph(2σ(th))2
这在一定程度上限制了横纵比的偏移，YOLO V5作者所做的实验曲线如下。
正负样本选取
在YOLO V4的拓展基础上，YOLO V5 对正样本的选取同时加入了横纵比的限制。
r
w
=
w
g
t
/
w
a
t
r
h
=
h
g
t
/
h
a
t
r
w
max
=
max
(
r
w
,
1
/
r
w
)
r
h
max
=
max
(
r
h
,
1
/
r
h
)
r
max
=
max
(
r
w
max
,
r
h
max
)
\begin{array}{l} r_{w}=w_{g t} / w_{a t} \\ r_{h}=h_{g t} / h_{a t} \\ r_{w}^{\max }=\max \left(r_{w}, 1 / r_{w}\right) \\ r_{h}^{\max }=\max \left(r_{h}, 1 / r_{h}\right) \\ r^{\max }=\max \left(r_{w}^{\max }, r_{h}^{\max }\right) \end{array}
rw=wgt/watrh=hgt/hatrwmax=max(rw,1/rw)rhmax=max(rh,1/rh)rmax=max(rwmax,rhmax)
首先算出anchor和GT的横纵比的最大差距，对于最大差距在4倍以上的例子都不作为正样本采用。
本文转载自: https://blog.csdn.net/leeyns/article/details/128104030
版权归原作者 leeyns 所有， 如有侵权，请联系我们删除。
版权归原作者 leeyns 所有， 如有侵权，请联系我们删除。