在任意一帧图像中，距离实验相机越近的目标在图像中像素比越高，此类目标在检测过程中可以提取到的特征信息很丰富且噪声较低，检测结果比较准确；相反，距离实验相机较远的目标在图像中像素比较低，可供提取的特征信息很少、噪声大，对检测结果有很大的影响。模型中的原始检测层数量为3，原始的图像尺寸大小为640×640，本文在实验过程中分别对原始图像在8，16，32倍三个尺度下进行下采样操作，以此来得到不同尺度下的特征图，对应的特征图的尺寸大小依次为20×20，40×40，80×80，对应检测32×32，16×16和8×8的像素的目标。
原先的YOLOv5模型利用不同尺寸大小的特征图对大、中、小三种尺寸目标进行检测和识别，但是三种尺度的检测层对远距离的目标和重叠度高的目标会出现检测不到的情况。因此，针对这个问题，本文考虑在预测部分添加一层160×160尺度的小目标检测层进行远距离小目标的检测，结合其余三个尺度的检测层，用四个不同感受野的检测层来提高对小目标检测精度，从而实现模型对尺度的包容性和可扩展性。
具体代码实现如下:
# parametersnc: 13# number of classesdepth_multiple: 0.33# model depth multiplewidth_multiple: 0.50# layer channel multipleanchors: - [5,6, 8,14, 15,11] - [10,13, 16,30, 33,23] # P3/8- [30,61, 62,45, 59,119] # P4/16- [116,90, 156,198, 373,326] # P5/32backbone: # [from, number, module, args] [[-1, 1, Focus, [64, 3]], # 0-P1/2 [-1, 1, Conv, [128, 3, 2]], # 1-P2/4 [-1, 3, C3, [128]], [-1, 1, Conv, [256, 3, 2]], # 3-P3/8 [-1, 9, C3, [256]], [-1, 1, Conv, [512, 3, 2]], # 5-P4/16 [-1, 9, C3, [512]], [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32 [-1, 1, SPP, [1024, [5, 9, 13]]], [-1, 3, C3, [1024, False]], # 9 ] head: [[-1, 1, Conv, [512, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 6], 1, Concat, [1]], # cat backbone P4 [-1, 3, C3, [512, False]], # 13 [-1, 1, Conv, [512, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 4], 1, Concat, [1]], # cat backbone P3 [-1, 3, C3, [512, False]], # 17 (P3/8-small) [-1, 1, Conv, [256, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 2], 1, Concat, [1]], # cat backbone P3 [-1, 3, C3, [256, False]], # 17 (P3/8-small) [-1, 1, Conv, [256, 3, 2]], [[-1, 18], 1, Concat, [1]], # cat head P4 [-1, 3, C3, [256, False]], # 20 (P4/16-medium) [-1, 1, Conv, [256, 3, 2]], [[-1, 14], 1, Concat, [1]], [-1, 3, C3, [512, False]], [-1, 1, Conv, [512, 3, 2]], [[-1, 10], 1, Concat, [1]], # cat head P5 [-1, 3, C3, [1024, False]], # 23 (P5/32-large) [[21, 24, 27, 30], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5) ]
