YOLOv5 目标检测算法详解（一）

YOLOv5 目标检测算法详解（一）

一、YOLOv5 算法概述

YOLOv5 是YOLO系列目标检测算法的最新版本，相比YOLOv4在网络结构、损失函数和数据增强等方面进行了优化和改进。本教程将从数据预处理、网络架构、损失函数等多个方面详细讲解YOLOv5。

二、数据预处理

2.1 图像缩放与归一化

YOLOv5在处理不同尺寸的输入图像时，需要先将其统一为指定尺寸。常见的输入尺寸包括：

• 416×416
• 608×608
• 640×640

缩放算法步骤

假设原始图片尺寸为 523×699，目标尺寸为 416×416：

第一步：计算缩放比例

缩放比例 = min(目标宽度/原始宽度, 目标高度/原始高度)= min(416/523, 416/699)= min(0.7956, 0.5951)= 0.5951

第二步：计算缩放后的尺寸

新宽度 = 原始宽度 × 0.5951 = 523 × 0.5951 ≈ 311
新高度 = 原始高度 × 0.5951 = 699 × 0.5951 ≈ 416

第三步：计算灰边填充

为了保持原图宽高比，需要对不足的部分用灰色填充：

左右灰边 = (416 - 311) / 2 = 52.5
上下灰边 = (416 - 416) / 2 = 0

最终得到 416×416 的图像，两侧各有约 52.5 像素的灰色边框。

2.2 为什么使用灰色边框？

• 保持原图比例：不会扭曲或变形原图内容
• 保留原始信息：对象大小和形状保持一致
• 提高检测精度：避免因强行缩放导致的信息丢失

2.3 32倍数对齐

YOLOv5要求输入图像的宽高必须是32的倍数。这是因为：

• YOLOv5 含有5个下采样层（stride为2），总下采样倍数为 32（2^5 = 32）
• 确保特征图能够完整对应原图，避免信息丢失

三、马赛克数据增强（Mosaic Data Augmentation）

3.1 基本概念

马赛克数据增强是将4张图片随机拼接成一张图片的方法，具有以下优势：

3.2 优点

1. 增加数据多样性

• 在复杂背景下训练模型
• 提高模型泛化能力

2. 提升小目标检测能力

• 单张图片中多个物体拼接后变得更小
• 迫使模型学习检测微小目标
• 增加训练样本的丰富度

3. 加快训练速度

• 在相同的迭代次数内，看到更多的目标变化
• 提高训练效率

3.3 拼接方式

+--------+--------+
| 图1    | 图2    |
+--------+--------+
| 图3    | 图4    |
+--------+--------+

四张不同的图片在随机位置上进行拼接，生成单一的训练样本。

四、YOLOv5 网络架构

4.1 整体结构

YOLOv5 的网络结构主要包括三部分：

输入 (X) → Backbone(骨干网络) → Neck(颈部) → Head(输出头) → 输出 (Y)

4.2 主要模块

Backbone 骨干网络

• Focus结构（在某些版本中已移除）
• CSPDarknet 网络
• C3 模块
• SPPF 空间金字塔池化（YOLOv5 相比 YOLOv4 的改进）

Neck 颈部

• 特征融合结构
• FPN（特征金字塔网络）
• PANet 结构
• 融合不同尺度的特征信息

Head 输出头

• 分类分支：预测对象类别
• 定位分支：预测边界框坐标 (x, y, w, h)
• 置信度分支：预测目标存在的概率

4.3 SPPF vs SPP

SPP (Spatial Pyramid Pooling)

• 在YOLOv4中使用
• 使用多个最大池化层进行多尺度特征提取

SPPF (Spatial Pyramid Pooling Fast)

• YOLOv5的改进版本
• 计算更快，参数更少
• 性能相同，但效率更高

五、目标检测输出

5.1 输出格式

YOLOv5 的每个检测框包含以下信息：

(x, y, w, h, confidence, class_1_prob, class_2_prob, ..., class_n_prob)

其中：

• (x, y)：边界框中心坐标
• (w, h)：边界框宽度和高度
• confidence：该框包含目标的置信度
• class_prob：各类别的概率

5.2 网格敏感性消除

消除网格偏差，使模型对任意位置的目标均衡敏感。

5.3 正负样本匹配

• 正样本：与真实框重叠度高（IoU）的预测框
• 负样本：与真实框重叠度低的预测框
• 匹配机制决定了训练的收敛速度和最终精度

六、损失函数

6.1 损失函数组成

YOLOv5 的总损失包括：

Total Loss = 分类损失 + 定位损失 + 置信度损失

6.2 与YOLOv4对比

• 相似之处：基本损失函数设计相同
• 改进之处：在样本匹配和权重分配上进行了优化
• 原因：YOLOv5 在YOLOv4发布后2-3个月推出，参考了YOLOv4的成熟方案并进行了微调

七、推理与训练阶段区别

7.1 训练阶段（Training）

输入图片 X ↓
模型前向传播↓
获得预测结果 Ŷ↓
计算损失函数 Loss↓
反向传播计算梯度↓
更新权重参数 W、B↓
迭代下一个batch

7.2 推理阶段（Inference）

输入图片 X ↓
模型前向传播（权重W、B已固定）↓
获得预测结果 Ŷ↓
输出检测结果

关键区别：

• 推理阶段没有损失函数计算和反向传播
• 权重参数保持不变
• 推理速度更快

八、输入尺寸灵活性

8.1 训练时

• 输入必须是统一尺寸（如416×416）
• 便于batch processing
• 保证显存使用一致

8.2 推理时

• 可以使用不同尺寸的图片
• 可以是非正方形（如416×320）
• 只需确保宽高是32的倍数

8.3 尺寸选择建议

• 416×416：平衡精度和速度
• 608×608：更高精度，计算量大
• 640×640：标准尺寸，推荐使用
• 非正方形：可在推理时快速处理特定尺寸的图像

九、学习路径建议

1. 深入学习YOLOv4：理解基础概念和网络设计
2. 理解YOLOv5改进点：掌握优化细节
3. 代码实践：从框架代码入手，逐步理解实现细节
4. 模型优化：学习模型压缩、加速等技巧

十、常见问题解答

Q：为什么要使用灰色边框而不是直接缩放？
A：灰色边框保持原图比例，避免对象变形，有利于模型学习正确的目标特征。

Q：输入必须是正方形吗？
A：训练时最好用正方形以提高效率；推理时可以是任意形状，只需是32的倍数。

Q：SPPF相比SPP有什么优势？
A：计算速度快，参数少，精度相同。

Q：32倍数对齐的原因是什么？
A：YOLOv5有5个下采样层，总下采样倍数为32（2^5=32），确保特征图完整对应。