YOLOv5理论模型详解

1.Yolov5四种网络模型

Yolov5官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。

YOLOv5系列的四个模型（YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x）在参数量和性能上有所不同。参数量指的是模型中需要学习的参数的数量，通常表示模型的复杂度和容量。四个模型的网络结构是相同的，它们都是基于YOLOv5的骨干网络，但是随着模型的增大（从s到x），参数量也会增加，从而提供更高的性能和更准确的检测结果。

学习一个新的算法，最好在脑海中对算法网络的整体架构有一个清晰的理解。但Yolov5代码中给出的网络文件是yaml格式和原本Yolov3、Yolov4中的cfg不同，无法用netron工具直接可视化的查看网络结构。

因此可以采用pt->onnx->netron的折中方式，先使用Yolov5代码中models/export.py脚本将pt文件转换为onnx格式，再用netron工具打开，查看全网络的整体架构。

1.1Yolov5网络结构图

利用netron工具可以可视化的打开Yolov5的网络结构

1.2网络结构可视化

将四种模型的pt文件转换成对应的onnx文件后，使用netron工具查看。

先安装ONNX模块，转换pt文件

# for ONNX export

pip install onnx>=1.7.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

# for CoreML export
pip install coremltools==4.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

# export at 640x640 with batch size 1

python models/export.py --weights weights/yolov5s.pt --img 640 --batch 1

然后浏览器在线使用NETRON工具，打开yolov5s.onnx模型文件

Yolov5s网络是Yolov5四种模型中深度最小，特征图的宽度最小的网络。后面3种都是在此基础上不断加深，不断加宽。

2.Yolov5网络模型详解

2.1概述

        YOLOv5在YOLOv4算法的基础上做了进一步的改进，检测性能得到进一步的提升。虽然YOLOv5算法并没有与YOLOv4算法进行性能比较与分析，但是YOLOv5在COCO数据集上面测试的效果还是挺不错的。虽然YOLOv5的这些改进思路看来比较简单或者创新点不足，但是它们确实可以提升检测算法的性能。其实工业界往往更喜欢使用这些方法，而不是利用一个超级复杂的算法来获得较高的检测精度。

        下面将对YOLOv5检测算法中提出的改进思路进行详细的解说，可以尝试将这些改进思路应用到其它的目标检测算法中。

主要的改进思路如下所示：

• 输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放；
• 基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构；
• Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN+PAN结构；
• Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数GIOU_Loss，以及预测框筛选的DIOU_nms。

Yolov5采用的基础组件

• CBL-CBL模块由Conv+BN+Leaky_relu激活函数组成，如上图中的模块1所示。
• Res unit-借鉴ResNet网络中的残差结构，用来构建深层网络，CBM是残差模块中的子模块，如上图中的模块2所示。
• CSP1_X-借鉴CSPNet网络结构，该模块由CBL模块、Res unint模块以及卷积层、Concat组成而成，如上图中的模块3所示。
• CSP2_X-借鉴CSPNet网络结构，该模块由卷积层和X个Res unint模块Concat组成而成，如上图中的模块4所示。
• Focus-如上图中的模块5所示，Focus结构首先将多个slice结果Concat起来，然后将其送入CBL模块中。
• SPP-采用1×1、5×5、9×9和13×13的最大池化方式，进行多尺度特征融合，如上图中的模块6所示。

2.2网络结构演进

Yolov3网络结构是比较经典的one-stage结构，分为输入端、Backbone、Neck和Prediction四个部分。

Yolov4的网络结构在Yolov3的基础上进行了很多创新，比如：

• 输入端采用mosaic数据增强
• Backbone上采用了CSP、Darknet53、Mish激活函数、Dropblock等方式
• Neck中采用了SPP、FPN+PAN的结构
• 输出端则采用CIOU_Loss、DIOU_nms操作

Yolov5的网络结构，整体上还是分为输入端、Backbone、Neck、Prediction四个部分。

与Yolov3比较，主要的不同点如下：

• 输入端：Mosaic数据增强、自适应锚框计算
• Backbone：Focus结构、CSP结构
• Neck：FPN+PAN结构
• Prediction：GIOU_Loss

Yolov5作者在COCO数据集上进行了算法性能测试，Yolov5s网络模型最小，速度最块，AP精度也最低。其他的三种规模的网络模型，是在它的基础上加深和加宽网络得到的，AP精度在不断提升，但GPU速度的消耗也在不断增加。

2.3Yolov5输入端

输入端表示输入的图片。该网络的输入图像大小为608*608，该阶段通常包含一个图像预处理阶段，即将输入图像缩放到网络的输入大小，并进行归一化等操作。在网络训练阶段，YOLOv5使用Mosaic数据增强操作提升模型的训练速度和网络的精度；并提出了一种自适应锚框计算与自适应图片缩放方法。

（1）Mosaic数据增强

Mosaic数据增强是采用4张图片，通过随机缩放、随机裁剪、随机排布的方式进行拼接，在丰富数据集的同时极大的提升网络的训练速度，而且可以降低模型的内存需求，这对于小目标的训练检测效果还是很不错的。

为什么要进行Mosaic数据增强？

在平时项目训练时，小目标的AP一般比中目标和大目标低很多。而Coco数据集中也包含大量的小目标，但比较麻烦的是小目标的分布并不均匀。

大、中、小目标的定义，小目标是目标框的长宽0*0-32*32之间的物体。

如上表所示COCO数据集的统计，三种尺度的目标占比并不均衡。在所有的训练集图片中，只有52.3% 的图片有小目标，而中目标和大目标的分布相对来说更加均匀一些。

因此采用Mosaic数据增强的主要优点;

a.丰富数据集：随机选用四张图片，随机缩放，在随机分布进行拼接，大大丰富了检测数据集，特别是随机缩放增加了很多小目标，让网络的鲁棒性更好。

b.减少GPU：这样可以直接计算4张图片的数据，使得Min-batch大小并不需要很大，一个GPU就可以达到比较好的效果。

（2）自适应锚框计算

在Yolo系列算法中，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，进而与真实框groundtruth进行对比，计算两者差距，再反向更新，迭代网络参数。因此初始锚框也是比较重要的一部分，比如Yolov5在Coco数据集上初始设定的锚框：

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。当然，如果觉得计算的锚框效果不是很好，也可以在代码中将自动计算锚框功能关闭。控制的代码即train.py中的一行代码，设置成False，每次训练时，不会自动计算。

（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。比如Yolo算法中常用416×416，608×608等尺寸，比如对下面800*600的图像进行变换。

Yolov5代码中对此进行了改进，也是Yolov5推理速度能够很快的一个不错的trick(技巧)。

因为在项目实际使用时，很多图片的长宽比不同，所以缩放填充后，两端的黑边宽度不同。如果填充的比较多，则存在信息冗余，影响推理速度。

Yolov5代码中datasets.py的letterbox函数进行了修改，对原始图像自适应的添加最少的黑边。图像高度上两端的黑边变少了，在推理时，计算量也会减少，及目标检测速度会得到提升。

Yolov5中datasets.py的letterbox函数采用的具体计算方法是：

第一步：计算缩放比例

原始缩放尺寸是416×416，都除以原始图像的尺寸后，可以得到0.52，和0.69两个缩放系数，选择小的缩放系数0.52。

第二步：计算缩放后的尺寸

原始图片的长宽都乘以最小的缩放系数0.52，宽变成了416，而高变成了312。

第三步：计算黑边填充数值

将416-312=104，得到原本需要填充的高度。再采用numpy中np.mod取余数的方式，得到8个像素，再除以2，即得到图片高度两端需要填充的数值。

a.这里填充的是黑色，即（0，0，0），而Yolov5中填充的是灰色，即（114,114,114），都是一样的效果。
b.训练时没有采用缩减黑边的方式，还是采用传统填充的方式，即缩放到416×416大小。只是在测试，使用模型推理时，才采用缩减黑边的方式，提高目标检测，推理的速度。
c.为什么np.mod函数的后面用32？因为Yolov5的网络经过5次下采样，而2的5次方，等于32。所以至少要去掉32的倍数，再进行取余。

2.4 Backbone

骨干网络通常是一些性能优异的分类器中的网络，该模块用来提取一些通用的特征表示。YOLOv5中不仅使用了CSPDarknet53结构，而且使用了Focus结构作为骨干网络。

(1) Focus结构

Focus结构，在Yolov3&Yolov4中并没有这个结构，其中比较关键的是切片操作。右图的切片示意图，4*4*3的图像切片后变成2*2*12的特征图。作用是减少浮点计算量，增加计算速度。

以Yolov5s的结构为例，原始608*608*3的图像输入Focus结构，采用切片操作，先变成304*304*12的特征图，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。

Yolov5s的Focus结构最后使用了32个卷积核，而其他三种结构，使用的数量有所增加。

(2) CSP结构

Cross Stage Partial Network （跨阶段局部网络） 

YOLOv4网络结构中，借鉴了CSPNet的设计思路，在主干网络中设计了CSP结构。

Yolov5与Yolov4不同点在于，Yolov4中只有主干网络使用了CSP结构，而Yolov5中设计了两种CSP结构，以Yolov5s网络为例，以CSP1_X结构应用于Backbone骨干网络，另一种CSP2_X结构则应用在Neck中。

YOLOv5s的CSP结构是将原输入分成两个分支，分别进行卷积操作使得通道数减半，然后一个分支进行Bottleneck * N操作，然后concat两个分支，使得BottlenneckCSP的输入与输出是一样的大小，这样是为了让模型学习到更多的特征。

CSP1_X结构

BottleneckCSP的网络结构图如下图所示：

其中CBS为Conv+BN+SiLu，后期的图中CBL(conv+BN+Leaky relu)需要改成CBS(conv+BN+SiLU)。其中Resunit是x个残差组件。

将输入分为两个分支，一个分支先通过CBS，再经过多个残差结构（Bottleneck * N），再进行一次卷积；另一个分支直接进行卷积；然后两个分支进行concat，再经过BN（正态分布），再来一次激活（之前的版本是Leaky，后面是SiLU），最后进行一个CBS。

C3的网络结构图如下图所示：

CSP1_X应用于backbone主干网络部分，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。

CSP2_X结构

BottleneckCSP的网络结构图如图所示

C3的网络结构图如图所示

CSP2_X相对于CSP1_X来说，不一样的地方只有CSP2_X将Resunit换成了2 * X个CBS，主要应用在Neck网络 （网络没那么深）。同样的，之前的版本是Leaky，后期是SiLU）

 (3) SPP组件

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。

在卷积神经网络中，不固定输入尺寸的方法有下面三种:

• 对输入进行resize操作，让他们统统变成你设计的层的输入规格那样。但是这样过于暴力直接，可能会丢失很多信息或者多出很多不该有的信息（图片变形等），影响最终的结果。
• 替换网络中的全连接层，对最后的卷积层使用global average pooling，全局平均池化只和通道数有关，而与特征图大小没有关系
• 最后一个就是SPP结构

在yolov5中SPP作用是：实现局部特征和全局特征的featherMap级别的融合。

在YOLOv5中SPP的结构图如下图所示：

分别对1 * 1分块，5*5分块，9*9分块和13 *13分块的子图里分别取每一个框内的max值，这一步就是作最大池化，这样最后提取出来的特征值一共有1 * 1 + 5 * 5 + 9 * 9 = 107个。得出的特征再concat在一起。 

 

2.5 Neck

Neck网络通常位于基准网络和头部网络的中间位置，利用它可以进一步提升特征的多样性及鲁棒性。虽然YOLOv5同样用到了SPP模块、FPN+PAN模块，但是实现的细节有些不同。

Yolov5的Neck和Yolov4中一样，都采用FPN+PAN的结构，但在Yolov5刚出来时，只使用了FPN结构，后面才增加了PAN结构，此外网络中其他部分也进行了调整。

2.6 Head输出端

Head用来完成目标检测结果的输出。针对不同的检测算法，输出端的分支个数不尽相同，通常包含一个分类分支和一个回归分支。YOLOv4利用GIOU_Loss来代替Smooth L1 Loss函数，从而进一步提升算法的检测精度。

（1）Bounding box损失函数

目标检测任务的损失函数一般由Classificition Loss（分类损失函数）和Bounding Box Regeression Loss（回归损失函数）两部分构成。
Bounding Box Regeression的Loss近些年的发展过程是：Smooth L1 Loss-> IoU Loss（2016）-> GIoU Loss（2019）-> DIoU Loss（2020）->CIoU Loss（2020）

a. IOU_Loss

根据IOU计算的loss很简单，主要是交集/并集，但也存在两个问题。

问题1：即状态1的情况，当预测框和目标框不相交时，IOU=0，无法反应两个框距离的远近，此时损失函数不可导，IOU_Loss无法优化两个框不相交的情况。
问题2：即状态2和状态3的情况，当两个预测框大小相同，两个IOU也相同，IOU_Loss无法区分两者相交情况的不同。
因此2019年出现了GIOU_Loss来进行改进。

b. GIOU_loss

上图GIOU_Loss中，增加了相交尺度的衡量方式，缓解了单纯IOU_Loss时的尴尬。

但还存在一种不足：

问题：状态1、2、3都是预测框在目标框内部且预测框大小一致的情况，这时预测框和目标框的差集都是相同的，因此这三种状态的GIOU值也都是相同的，这时GIOU退化成了IOU，无法区分相对位置关系。基于这个问题，2020年的AAAI又提出了DIOU_Loss。

c. DIOU _loss

好的目标框回归函数应该考虑三个重要几何因素：重叠面积、中心点距离，长宽比。
针对IOU和GIOU存在的问题，作者从两个方面进行考虑

一：如何最小化预测框和目标框之间的归一化距离？
二：如何在预测框和目标框重叠时，回归的更准确？
针对第一个问题，提出了DIOU_Loss（Distance_IOU_Loss）

DIOU_Loss考虑了重叠面积和中心点距离，当目标框包裹预测框的时候，直接度量2个框的距离，因此DIOU_Loss收敛的更快。但就像前面好的目标框回归函数所说的，这时并没有考虑到长宽比。

问题：比如上面三种状态，目标框包裹预测框，但预测框的中心点的位置都是一样的，因此按照DIOU_Loss的计算公式，三者的值都是相同的。

d. CIOU_loss

CIOU_Loss是在DIOU_Loss基础上还增加了一个影响因子，将预测框和目标框的长宽比都考虑了进去。

综合来看各个Loss函数的不同点：

IOU_Loss：主要考虑检测框和目标框重叠面积。
GIOU_Loss：在IOU的基础上，解决边界框不重合时的问题。
DIOU_Loss：在IOU和GIOU的基础上，考虑边界框中心点距离的信息。
CIOU_Loss：在DIOU的基础上，考虑边界框宽高比的尺度信息。

Yolov5中采用其中的CIOU_Loss做Bounding box的损失函数，使预测框回归的速度和精度更高一些。

（2）NMS非极大值抑制

在目标检测的后处理过程中，针对很多目标框的筛选，通常需要NMS操作。

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。可以看出，采用DIOU_nms，下方中间箭头的黄色部分，原本被遮挡的摩托车也可以检出。

采用了DIOU_nms的方式，在同样的参数情况下，将nms中IOU修改成DIOU_nms。对于一些遮挡重叠的目标，确实会有一些改进。在参数和普通的IOU_nms一致的情况下，修改成DIOU_nms，可以将两个目标检出。虽然大多数状态下效果差不多，但在不增加计算成本的情况下，有稍微的改进也是好的。

3. Yolov5四种网络结构的不同点

Yolov5的四种网络结构，都是以yaml文件的形式来呈现的。四个文件的内容基本上都是一样的，只有最上方的depth_mutiple和width_mutiple两个参数不同。

如何通过两个参数控制四种网络结构？

3.1四种网络结构的参数

Yolov5的四种网络结构有区别的两个参数：

通过上面的两个参数，来进行控制网络的深度和宽度。其中depth_multiple控制网络的深度，width_multiple控制网络的宽度。

3.2 Yolov5网络结构

四种结构的yaml文件中，下方的网络架构代码都是一样的。将其中的Backbone部分提取出来，讲解如何控制网络的宽度和深度，Head部分也是同样的原理。

在对网络结构进行解析时，yolo.py中下方的这一行代码将四种结构的depth_multiple，width_multiple提取出，赋值给gd，gw。后面主要对这gd，gw这两个参数进行讲解。

3.3 Yolov5四种网络的深度

（1）不同网络的深度

上图中是Yolov5的两种CSP结构，CSP1结构主要应用于Backbone中，CSP2结构主要应用于Neck中。四种网络结构的CSP结构的深度都是不同的。

a. Yolov5s的CSP1结构中使用了1个残差组件，因此是CSP1_1。Yolov5m增加了网络的深度，增加了CSP结构中使用的残差组件。

b. CSP2结构中的残差组件个数，在四种网络结构中不断加深，在不断增加网络特征提取和特征融合的能力。

（2）控制深度的代码

控制四种网络结构的核心代码是yolo.py中下面的代码，存在两个变量，n和gd。
将n和gd带入计算，看每种网络的变化结果。

（3）验证控制深度的有效性

选择最小的yolov5s.yaml和中间的yolov5l.yaml两个网络结构，将gd(height_multiple)系数带入，看是否正确。

a. yolov5s.yaml

其中depth_multiple=0.33，即gd=0.33，而n则由上面红色框中的信息获得。
以上面网络框图中的第一个CSP1为例，即上面的第一个红色框。n等于第二个数值3。
而gd=0.33，带入（2）中的计算代码，结果n=1。因此第一个CSP1结构内只有1个残差组件，即CSP1_1。
第二个CSP1结构中，n等于第二个数值9，而gd=0.33，带入（2）中计算，结果n=3，因此第二个CSP1结构中有3个残差组件，即CSP1_3。
第三个CSP1结构也是同理。

b. yolov5l.xml
其中depth_multiple=1，即gd=1
和上面的计算方式相同，第一个CSP1结构中，n=3，带入代码中，结果n=3，因此为CSP1_3。
下面第二个CSP1结构和第三个CSP1结构都是同样的原理。

3.4 Yolov5四种网络的宽度

（1）不同网络的宽度

如上图所示，四种Yolov5结构在不同阶段的卷积核的数量都是不一样的。因此也直接影响卷积后特征图的第三维度，即厚度，这里表示为网络的宽度。

a. 以Yolov5s结构为例，第一个Focus结构中，最后卷积操作时，卷积核的数量是32个，因此经过Focus结构，特征图的大小变成34*304*32。Yolov5m的Focus结构中的卷积操作使用了48个卷积核，因此Focus结构后的特征图变成304×304×48。Yolov5l，Yolov5x也是同样的原理。

b. 第二个卷积操作时，Yolov5s使用了64个卷积核，因此得到的特征图是152×152×64。而Yolov5m使用96个特征图，因此得到的特征图是152×152×96。Yolov5l，Yolov5x也是同理。

四种不同结构的卷积核的数量不同，这也直接影响网络中比如CSP1结构，CSP2等结构，以及各个普通卷积，卷积操作时的卷积核数量也同步在调整，影响整体网络的计算量。

当然卷积核的数量越多，特征图的厚度，即宽度越宽，网络提取特征的学习能力也越强。

（2）控制宽度的代码

在Yolov5的代码中，控制宽度的核心代码是yolo.py文件里面的这一行：

这里调用的函数make_divisible的功能是：

（3）验证控制宽度的有效性

选择Yolov5s和Yolov5l两个网络结构，将width_multiple系数带入，看是否正确。

a. yolov5s.yaml

其中width_multiple=0.5，即gw=0.5

以第一个卷积下采样为例，即Focus结构中下面的卷积操作。按照上面Backbone的信息，在Focus中，标准的c2=64，而gw=0.5，代入（2）中的计算公式，最后的结果=32。即Yolov5s的Focus结构中，卷积下采样操作的卷积核数量为32个。
计算后面的第二个卷积下采样操作，标准c2的值=128，gw=0.5，代入（2）中公式，最后的结果=64，也是正确的。

b. yolov5l.yaml

其中width_multiple=1，即gw=1，而标准的c2=64，代入上面（2）的计算公式中，可以得到Yolov5l的Focus结构中，卷积下采样操作的卷积核的数量为64个，而第二个卷积下采样的卷积核数量是128个。
另外的三个卷积下采样操作，以及Yolov5m，Yolov5x结构也是同样的计算方式。

4. 在小目标分割检测上的研究

目标检测发展很快，但对于小目标的检测还是有一定的瓶颈，特别是大分辨率图像的小目标检测。比如7920*2160，甚至是16000*16000像素的图像。

图像的分辨率很大，但又有很多小的目标需要检测。如果直接输入检测网络，比如Yolov3，检出效果并不好。

4.1Yolo检测效果不好的主要原因

（1）小目标尺寸

以网络的输入608×608为例，Yolov3、Yolov4，Yolov5中下采样都使用了5次，因此最后的特征图大小是19×19，38×38，76×76。
三个特征图中，最大的76×76负责检测小目标，而对应到608×608上，每格特征图的感受野是608/76=8×8大小。

将608×608对应到7680×2160上，以最长边7680为例，7680/608×8=101。即如果原始图像中目标的宽或高小于101像素，网络很难学习到目标的特征信息。（这里忽略多尺度训练的因素及增加网络检测分支的情况）

（2）高分辨率

在很多遥感图像中，长宽比的分辨率比7680*2160更大。如果直接输入原图检测，很多小目标都无法检测出。

（3）显卡爆炸

很多图像分辨率很大，如果简单的进行下采样，下采样的倍数太大，容易丢失数据信息。但是倍数太小，网络前向传播需要在内存中保存大量的特征图，极大耗尽GPU资源，很容易发生显卡爆炸显存爆炸，无法正常的训练及推理。

可以借鉴2018年YOLT算法的方式，改变一下思维，对大分辨率图片先进行分割，变成一张张小图，再进行检测。
需要注意的是：

为了避免两张小图之间，一些目标正好被分割截断，所以两个小图之间需要设置overlap重叠区域，比如分割的小图是960×960像素大小，则overlap可以设置为960×20%=192像素。

每个小图检测完成后，再将所有的框放到大图上，对大图整体做一次nms操作，将重叠区域的很多重复框去除。这样操作，可以将很多小目标检出，比如16000×16000像素的遥感图像。

说明：这里关于小图检测后，放到大图上的方法，采用的方式，其实按照在大图上裁剪的位置，直接回归到大图即可。

国内还有一个10亿像素图像目标检测的比赛，也是用的这样的方式，有相应的讲解视频。

无人机视角下，也有很多小的目标。这里也进行了测试，效果还是不错的。比如下图是将原始大图->416×416大小，直接使用目标检测网络输出的效果：

可以看到中间黄色框区域，很多汽车检测漏掉。再使用分割的方式，将大图先分割成小图，再对每个小图检测，可以看出中间区域很多的汽车都被检测出来：

这样处理的方式既有优点也有缺点：

优点：

（1）准确性

分割后的小图，再输入目标检测网络中，对于最小目标像素的下限会大大降低。比如分割成608×608大小，送入输入图像大小608×608的网络中，按照上面的计算方式，原始图片上，长宽大于8个像素的小目标都可以学习到特征。

（2）检测方式

在大分辨率图像，比如遥感图像，或者无人机图像，如果无需考虑实时性的检测，且对小目标检测也有需求的项目，可以尝试此种方式。

缺点：

（1） 增加计算量

比如原本7680×2160的图像，如果使用直接大图检测的方式，一次即可检测完。但采用分割的方式，切分成N张608×608大小的图像，再进行N次检测，会大大增加检测时间。
借鉴Yolov5的四种网络方式，我们可以采用尽量轻的网络，比如Yolov5s网络结构或者更轻的网络。当然Yolov4和Yolov5的网络各有优势，我们也可以借鉴Yolov5的设计方式，对Yolov4进行轻量化改造，或者进行剪枝。
在实际测试中，Yolov4的准确性有不错的优势，但Yolov5的多种网络结构使用起来更加灵活，我们可以根据不同的项目需求，取长补短，发挥不同检测网络的优势。