部分一：YOLOv5網絡結構

YOLOv5網絡結構包括三部分：Backbone骨干網絡、Neck頸部結構和Head頭部結構。其中，Backbone負責特征提??；Neck負責特征融合；Head包含了三個檢測頭，負責輸出檢測信息，YOLOv5網絡結構如下圖所示。

部分二：Backbone骨干網絡

Backbone骨干網絡主要作用是提取圖片的特征，并不斷縮小特征圖，Backbone包含了CBL模塊、Focus模塊、CSP模塊和SPP模塊。

（1）CBL模塊

CBL為標準卷積模塊，包括普通卷積層Conv、批量歸一化層BN和LeakyReLU激活函數層，如下圖所示：

CBL模塊代碼實現：

（2）Focus模塊

Focus模塊是對圖片進行切片操作，具體操作是在一張圖片中每隔一個像素取一個值，類似于鄰近下采樣，可以得到四張采樣圖片，四張圖片互補，圖片內容差不多，但是整體操作沒有信息丟失。Focus將圖片H*W空間維度的信息轉換到了Channel通道維度，H和W均減為原來一半，Channel擴充為原來四倍，然后將新圖片經過一次卷積操作，得到沒有信息丟失情況下的二倍下采樣特征圖，切片操作如下圖所示：

Focus模塊如下圖所示：

Focus模塊代碼實現：

（3）CSP模塊

CSP模塊包括CSP1_X模塊和CSP2_X模塊，兩者都借鑒了CSPNet網絡結構，CSP1_X模塊和CSP2_X模塊如下圖所示：

可見，ResUnit模塊的shortcut參數設置為True，就是CSP1_X模塊的組件；設置成False，就是CSP2_X模塊的組件，ResUnit模塊代碼實現如下：

對于ResUnit殘差模塊，是否有殘差邊取決于shortcut參數和輸入輸出通道是否相同。

CSP1_X模塊代碼實現：

CSP2_X模塊代碼實現：

（4）SPP模塊

SPP(Spatial Pyramid Pooling)模塊稱為空間金字塔池化模塊，通過引入不同的池化核來提取特征圖中不同大小目標的特征，SPP模塊如下圖所示：

SPP模塊代碼實現：

部分三：Neck頸部結構

Neck頸部結構主要實現淺層圖形特征和深層語義特征的融合。在卷積神經網絡的淺層，網絡提取的是一些像顏色、輪廓、紋理和形狀等簡單的特征，屬于圖形特征；隨著網絡的不斷加深，神經網絡會將這些特征不斷融合、升維，產生新的特征，屬于語義特征。總之，圖形特征來自卷積神經網絡淺層，只是簡單的圖形，語義信息較少；而語義特征來自卷積神經網絡的深層，語義信息豐富，但卻缺少局部細節(jié)特征信息。Neck包含了自頂向下的FPN模塊和自底向上的PAN模塊，其中，FPN是自頂向下，將深層的語義特征傳遞到淺層，增強了語義信息，不過對淺層的定位信息沒有傳遞；PAN是對FPN的補充，在FPN的后面添加了一個自底向上的金字塔結構，將淺層的強定位特征傳遞到深層，FPN和PAN又被稱為“雙塔戰(zhàn)術”，FPN如下圖(a)所示，PAN如下圖(b)所示。

YOLOv5的FPN和PAN結構：

部分四：Head頭部結構

YOLOv5輸出為255*H*W、255*2H*2W和255*4H*4W三個特征圖，尺寸最小的255*H*W負責檢測大目標，255*2H*2W負責檢測中目標，尺寸最大的255*4H*4W負責檢測小目標，通道數255=3*(5+80)，其中，3表示3個Anchor，5表示四個位置信息(x,y,w,h)和一個置信度confidence(表示當前網格中可能存在物體的概率)，80表示COCO數據集80個類別的概率，具體通道信息的表示如下圖所示。

YOLOv5輸出255*H*W、255*2H*2W和255*4H*4W三個特征圖，每個特征圖都有三個Anchor，一共有9個Anchor。其中，尺寸最小的255*H*W因為負責檢測大目標，所以對應的Anchor相對較大；尺寸最大的255*4H*4W負責檢測小目標，所以對應的Anchor相對較小，YOLOv5中的Anchor如下：

Anchor可視化：

Anchor可視化代碼：