1、YOLOV5目标检测简介

YOLOv5 是一个基于 Anchor 的单阶段目标检测，其主要分为以下 5 个阶段：
1、输入端：Mosaic 数据增强、自适应Anchor计算、自适应图像缩放；
2、Backbone：提取出高中低层的特征，使用了 CSP 结构、SPPF、SiLU 等操作；
3、Neck：使用 FPN+PAN 结构，将各层次的特征进行融合，并提取出大中小的特征图；
4、Head：进行最终检测部分，在特征图上应用 Anchor Box，并生成带有类别概率、类别
得分以及目标框的最终输出向量；
5、损失函数：计算预测结果与 Ground Truth 之间的 Loss。

2、前处理

2.1、自适应 Anchor 计算

在 YOLOv3、YOLOv4 中，训练不同的数据集时，计算初始 Anchor 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，每次训练时会自适应的计算不同训练集中的最佳 Anchor 值。

2.2、自适应计算 Anchor 的流程如下：

1、载入数据集，得到数据集中所有数据的 w、h；
2、将每张图像中 w、h 的最大值等比例缩放到指定大小，较小边也相应缩放；
3、将 bboxes 从相对坐标改成绝对坐标（乘以缩放后的 w、h）；
4、筛选 bboxes，保留 w、h 都大于等于 2 像素的 bboxes;
5、使用 k-means 聚类得到 n 个 Anchors;
6、使用遗传算法随机对 Anchors 的 w、h 进行变异，如果变异后效果变得更好就将变异后的结果赋值给 Anchors，如果变异后效果变差就跳过。

2.3、图像自适应

在常用的目标检测算法中，不同的图像长宽都不相同，因此常用的方式是将原始图像统一缩放到一个标准尺寸，再送入检测网络中。

如图所示，YOLOv5 作者认为，在项目实际应用时，很多图像的长宽比不同，因此均直接进行缩放填充后，两端的灰边大小会不同，而如果填充的比较多，则存在信息的冗余，也可