1.YOLO输入端
1.1 Mosaic数据增强
Yolov5的输入端采用了和Yolov4一样的Mosaic数据增强的方式。
Mosaic数据增强提出的作者也是来自Yolov5团队的成员，不过，随机缩放、随机裁剪、随机排布的方式进行拼接，对于小目标的检测效果还是很不错的。
- 4张图片拼接
- 随机缩放
- 随机裁剪
- 随机排布
算法优点：
- 丰富数据集
- 减少GPU计算
1.2 自适应锚框计算
在Yolo算法中，针对不同的数据集，都会有初始设定长宽的锚框。
在网络训练中，网络在初始锚框的基础上输出预测框，进而和真实框groundtruth进行比对，计算两者差距，再反向更新，迭代网络参数。
- Step1：读取训练集中所有图片的w、h以及检测框的w、h
- Step2：将读取的坐标修正为绝对坐标
- Step3：使用Kmeans算法对训练集中所有的检测框进行聚类，得到k个anchors
- Step4：通过遗传算法对得到的anchors进行变异，如果变异后效果好将其保留，否则跳过
- Step5：将最终得到的最优anchors按照面积返回
1.3 自适应图片缩放
在常用的目标检测算法中，不同的图片长宽都不相同，因此常用的方式是将原始图片统一缩放到一个标准尺寸，再送入检测网络中。
letterbox自适应图片缩放技术尽量保持高宽比，缺的用灰边补齐达到固定的尺寸。
2.YOLO总体架构图
2.1 BackBone
主要进行特征提取，将图像中的物体信息通过卷积网络进行提取，用于后面目标检测。
2.1.1 Focus模块
Focus层原理和PassThrough层很类似。它采用切片操作把高分辨率的图片拆分成多个低分辨率的图片/特征图，即隔列采样+拼接。
2.1.2 SPP模块
空间金字塔池化，能将任意大小的特征图转换成固定大小的特征向量。
2.1.3 CSP_X模块
backbone是较深的网络，增加残差结构可以增加层与层之间反向传播的梯度值，避免因为加深而带来的梯度消失，从而可以提取到更细粒度的特征并且不用担心网络退化。
2.2 Neck
对特征进行混合与组合，增强网络的鲁棒性，加强物体检测能力，并且将这些特征传递给Head层进行预测。
2.2.1 FPN
2.2.2 PAN
2.3 YOLO输出端
主要进行最终的预测输出。
2.3.1 Bounding Box损失函数
真实检测框和模型预测输出框的吻合程度，用于反向传播优化模型。
2.3.2 NMS非极大值抑制
判断相邻网格识别的是否是同一物体，消除掉多余检测框。
