yolo网络模型详解（YOLOV5-网络结构和组件介绍）

时间2025-09-18 07:22:42分类IT科技浏览8119

导读：一、YOLOV5S网络结构（参考：https://blog.csdn.net/nan355655600/article/details/107852353）...

一、YOLOV5S网络结构（参考：https://blog.csdn.net/nan355655600/article/details/107852353）

（1）输入端处理 ①Mosaic数据增强 Yolov5和Yolov4一样，对于输入图片采用了Mosaic数据增强，也就是对图片进行处理后，再多张拼贴起来。起到了数据增强的作用。

②自定义锚框 在Yolov3和Yolov4中，我们都需要提前设定Anchor的大小，以便于去适应不同大小的真实框。

在Yolov3 、Yolov4中，训练不同的数据集时，计算初始锚框的值是通过单独的程序运行的。

但Yolov5中将此功能嵌入到代码中，每次训练时，自适应的计算不同训练集中的最佳锚框值。

③自适应图片放缩

输入图片和网络需要的输入大小的图片往往是不相同，我们要对输入图片进行处理，一般是通过先压缩再加灰边等方式。

在Yolov5中也是通过这样的方式，当时Yolov5采用了一个更好的方式，可以使得加灰边的大小尽可能的小，可以增加运行的速度。

（2）Backbone ①Focus结构

Backbone中的第一个模块是Focus模块。这是以前没有用过的结构。Focus模块的核心是切片slice 。

其实实际上就是对数据进行了下采样。输入608x608x3大小的图片，经过Concat模块后，会变成304x304x12的大小。再经过一次32个卷积核的卷积操作，最终变成304×304×32的特征图。

②CSP结构 在Yolov5中采用了两种CSP结构，分别在Back中，这里先介绍第一种。CSP1 ，其中分为CSP1_1和CSP1_3 。具体的网络结构可以看图。本质上是一种多次充分利用残差的网络结构。

（3）Neck

Yolov5中的Neck采用FPN+PAN的结构，和Yolov4中最大的不同就是使用了CSPNET网络。采用上，下采样灵活的构造特征金字塔。

（4）输出端

输出端的处理，其实和Yolov4基本上差别不大。

Yolov5中采用其中的CIOU_Loss做Bounding box的损失函数。

Yolov4在DIOU_Loss的基础上采用DIOU_nms的方式，而Yolov5中仍然采用加权nms的方式。

二、四种Yolov5结构的差别和控制。

四种Yolov5的结构分别为Yolov5s,Yolov5m,Yolov5l,Yolov5x 。

这四种结构其实本质上没有区别，它们的主要差别是在于，用两个不同的参数，控制了网络的深度和宽度。

depth_multiple控制网络的深度，width_multiple控制网络的宽度。

（1）depth_multiple深度

我们以Backbone中的CSP结构为例，下图是4种不同结构的CSP结构中的残差次数。

总的来说在基本网络结构中，会对CSP网络的参数进行确定，而我们将用公式吧参数和给出的深度，宽度参数进行计算，从而算出残差次数的使用次数，也就控制了深度。

（2）width_multiple宽度 其实计算方法是类似的，这里控制的是每一次卷积的卷积核的大小。