1. YOLOv5结构

backbone：增加了Focus层

在YOLOv5某些版本中开头是Focus层。Focus重要的是切片操作，如下图所示，4x4x3的图像切片后变成2x2x12的特征图。但YOLOv5的v6.0版本后将Focus模块换成了6×6大小的卷积层，这种6×6的卷积操作和Focus层是等效的，但在有时6×6的卷积操作更加高效。

Focus层

Neck:SPPF、New CSP-PAN

SPPF

将YOLOv4的SPP结构替换成了SPPF结构。虽然最终的结果是一致的，但是SPPF比SPP速度快了一倍。

New CSP-PAN：将之前YOLOv4的PAN结构中的ConvSet集合都变成了CSP结构。

Head

与YOLOv3，YOLOv4是一样的。

2. 损失函数

与YOLOv4的损失函数一样：分类损失和置信度损失函数用了二分交叉熵(BCE)损失，定位损失用的是$CIoU$ $loss$。

增加的一点是：

为了平衡目标的不同尺度，对置信度损失针对不同大小的目标，采用权重来权衡。

$L_{obj}=4.0⋅L_{obj}^{small}+1.0⋅L_{obj}^medium+0.4⋅L_{obj}^{large}$

其他Tricks

1. YOLOv5的Anchor修正

YOLOv5的(x,y)采用了YOLOv4的2.3 Eliminate grid sesitivity的公式，设置$scale_{xy}=2$。

(h,w)在YOLOv2、YOLOv3、YOLOv4都没有发生改变，仍然是

$b_w=p_we^{t_w}$

$b_h=p_he^{t_h}$

但在YOLOv5中做了小小的改动：作者认为原来的公式没有对宽高做限制，可能出现梯度爆炸。因此用$\sigma$函数加以约束：

$b_w=p_w·(2·\sigma(t_w))^2$

$b_h=p_h·(2·\sigma(t_h))^2$

e指数函数和sigmoid函数的对比

2. 数据增强

3. 训练技巧

这边参考文章csdn-太阳花的小绿豆