【快速入门】YOLOv5目标检测算法

article/2025/8/24 13:23:38

文章目录

    • 一、YOLOv5简介
    • 二、网络结构
      • 1、Input
      • 2、Backbone
      • 3、Neck
      • 4、Head
    • 三、改进方法
      • 1、自适应锚框计算
      • 2、自适应灰度填充
    • 四、性能表现
    • 五、YOLOv5入门实战

一、YOLOv5简介

YOLOv5是一个在COCO数据集上预训练的物体检测架构和模型系列，它代表了Ultralytics对未来视觉AI方法的开源研究，其中包含了经过数千小时的研究和开发而形成的经验教训和最佳实践。

YOLOv5是YOLO系列的一个延申，您也可以看作是基于YOLOv3、YOLOv4的改进作品。YOLOv5没有相应的论文说明，但是作者在Github上积极地开放源代码，通过对源码分析，我们也能很快地了解YOLOv5的网络架构和工作原理。
在这里插入图片描述
Github源码地址：https://github.com/ultralytics/yolov5

二、网络结构

YOLOv5官方代码中，一共给出了5个版本，分别是 YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLO5x 五个模型。这些不同的变体使得YOLOv5能很好的在精度和速度中权衡，方便用户选择。

本文中，我们以较为常用的YOLOv5s进行介绍，下面是YOLOv5s的整体网络结构示意图：在这里插入图片描述
注：无水印原图，上我公众号【AI 修炼之路】，回复【YOLOv5】获取！

1、Input

和YOLOv4一样，对输入的图像进行Mosaic数据增强。Mosaic数据增强的作者也是来自Yolov5团队的成员，通过随机缩放、随机裁剪、随机排布的方式对不同图像进行拼接，如下如所示：在这里插入图片描述

采用Mosaic数据增强方法，不仅使图片能丰富检测目标的背景，而且能够提高小目标的检测效果。并且在BN计算的时候一次性会处理四张图片！

2、Backbone

骨干网路部分主要采用的是：Focus结构、CSP结构。其中 Focus 结构在YOLOv1-YOLOv4中没有引入，作者将 Focus 结构引入了YOLOv5，用于直接处理输入的图片。Focus重要的是切片操作，如下图所示，4x4x3的图像切片后变成2x2x12的特征图。
在这里插入图片描述
以YOLOv5s的结构为例，原始608x608x3的图像输入Focus结构，采用切片操作，先变成304x304x12的特征图，再经过一次32个卷积核的卷积操作，最终变成304x304x32的特征图。

3、Neck

在网络的颈部，采用的是：FPN+PAN结构，进行丰富的特征融合，这一部分和YOLOv4的结构相同。详细内容可参考：

  • 目标检测算法 YOLOv4 解析
  • YOLO系列算法精讲：从yolov1至yolov4的进阶之路

4、Head

对于网络的输出，遵循YOLO系列的一贯做法，采用的是耦合的Head。并且和YOLOv3、YOLOv4类似，采用了三个不同的输出Head，进行多尺度预测。详细内容可参考：

  • 目标检测算法 YOLOv4 解析
  • YOLO系列算法精讲：从yolov1至yolov4的进阶之路

三、改进方法

1、自适应锚框计算

在YOLOv3、YOLOv4中，是通过K-Means方法来获取数据集的最佳anchors，这部分操作需要在网络训练之前单独进行。为了省去这部分"额外"的操作，Yolov5的作者将此功能嵌入到整体代码中，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。

parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')

2、自适应灰度填充

为了应对输入图片尺寸 不一的问题，通常做法是将原图直接resize成统一大小，但是这样会造成目标变形，如下图所示：
在这里插入图片描述
为了避免这种情况的发生，YOLOv5采用了灰度填充的方式统一输入尺寸，避免了目标变形的问题。灰度填充的核心思想就是将原图的长宽等比缩放对应统一尺寸，然后对于空白部分用灰色填充。如下图所示：
在这里插入图片描述

四、性能表现

在COCO数据集上，当输入原图的尺寸是：640x640时，YOLOv5的5个不同版本的模型的检测数据如下：

在这里插入图片描述
在COCO数据集上，当输入原图的尺寸是：640x640时，YOLOv5的5个不同版本的模型的检测数据如下：

在这里插入图片描述
从上表可得知，从YOLOv5n到YOLOv5x，这五个YOLOv5模型的检测精度逐渐上升，检测速度逐渐下降。根据项目要求，用户可以选择合适的模型，来实现精度与速度的最佳权衡！

五、YOLOv5入门实战

1、下载YOLOv5，并安装相关依赖库。

git clone https://github.com/ultralytics/yolov5  # clone
cd yolov5
pip install -r requirements.txt  # install

2、检测。此过程会自动下载权重到root/runs/detect目录下，如果下载失败，可自行下载。

python detect.py --source 0  # webcamimg.jpg  # imagevid.mp4  # videopath/  # directorypath/*.jpg  # glob'https://youtu.be/Zgi9g1ksQHc'  # YouTube'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP stream

3、训练。

python train.py --data coco.yaml --cfg yolov5n.yaml --weights '' --batch-size 128yolov5s                                64yolov5m                                40yolov5l                                24yolov5x                                16

参考文献：

  • https://github.com/ultralytics/yolov5
  • https://www.zhihu.com/search?q=YOLOv5&utm_content=search_history&type=content

http://chatgpt.dhexx.cn/article/1kq6VMgY.shtml

相关文章

目标检测算法汇集介绍

目标检测算法汇集介绍

目标检测算法 目标检测概念 目标检测这里阐述两个应用场景，1 为物体位置检测，2 为物体关键点检测。 1 物体位置检测 相比与图片分类，目标检测算法结果要求不仅识别出图片中的物理类别并且输出物体的位置参数。 物体的位置通过bounding bo…
阅读更多...
YOLOv3目标检测算法——通俗易懂的解析

YOLOv3目标检测算法——通俗易懂的解析

目录 YOLOv3目标检测算法前沿一.YOLOv3二.损失函数 YOLOv3目标检测算法 前沿 前两篇文章我们讲了下关于YOLOv1和YOLOv2的原理，有不懂的小伙伴可以回到前面再看看： YOLOv1目标检测算法——通俗易懂的解析YOLOv2目标检测算法——通俗易懂的解析 作者出于…
阅读更多...
单阶段目标检测算法之YOLOv1详解

单阶段目标检测算法之YOLOv1详解

官方网站C语言版本:https://pjreddie.com/darknet/yolov1/ tensorflow版本的代码下载： https://github.com/hizhangp/yolo_tensorflow 论文： http://arxiv.org/abs/1506.02640 目录 一、YOLO介绍 二、YOLOv1的结构 三、YOLOV1原理 （一…
阅读更多...
yolo-目标检测算法简介

yolo-目标检测算法简介

一 简单概念 机器视觉的四大任务 分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标. 检测-Detection：解决“是什么？在哪里？”的问题，即定位出…
阅读更多...
目标检测算法发展历程

目标检测算法发展历程

这里的图片是从b站同济子豪兄的【精读AI论文】 R-CNN深度学习目标检测算法 处截图的， 在这算是个记录吧，同时立个小小的flag，尽量在硕一结束前都搞明白是干啥的吧（希望能坚持住 ：） 在这也小推一下子豪兄&a…
阅读更多...
YOLOv5目标检测算法——通俗易懂的解析

YOLOv5目标检测算法——通俗易懂的解析

目录 YOLOv5目标检测算法前沿一.网络结构1.1.Backbone1.2.Neck1.3.Head二.数据增强2.1.Mosaic2.2.Copy paste2.3.Random affine2.4.Mixup2.5.Albumentation2.6.Augment HSV2.7.Random horizontal flip 三.训练策略3.1.Multi-scale training3.2.Auto anchor3.3.Warmup and Cosin…
阅读更多...
目标检测算法(YOLOv3)

目标检测算法(YOLOv3)

目标检测算法(YOLOv3) YOLOv3在YOLOv2的基础上,改良了网络的主干,利用多尺度特征图进行检测,改进了多个独立的Logistic regression分类器来取代softmax来预测类别分类. 论文题目：YOLOv3: An Incremental Improvement 主干网络 YOLOv3提出了新的主干网络: Darknet…
阅读更多...
最新目标检测算法回顾2022笔记

最新目标检测算法回顾2022笔记

目标检测算法回顾2022笔记[附PPT] 总目录篇章1：目标检测的应用与需求篇章2：目标检测的定义与挑战篇章3：目标检测损失函数的进展篇章4：目标检测IOU的发展历程篇章5：目标检测评价指标及数据集[篇章6： 目标检测…
阅读更多...
目标检测算法——YOLOV7——详解

目标检测算法——YOLOV7——详解

1、主要贡献 主要是现有的一些trick的集合以及模块重参化和动态标签分配策略，最终在 5 FPS 到 160 FPS 范围内的速度和准确度都超过了所有已知的目标检测器。 当前目标检测主要的优化方向：更快更强的网络架构；更有效的特征集成方法&#xff1…
阅读更多...
3D点云目标检测算法综述

3D点云目标检测算法综述

一、概述 在3D点云目标检测领域，对于数据输入的处理一般有三种： 多视角。将三维点云投射到多个二维平面形成图像 体素，voxel，将三维点云切割成多个小块，这些小块就叫体素，类似像素。这是最自然的一种想法…
阅读更多...
传统目标检测算法

传统目标检测算法

目标分类：给一张图片，分类 目标检测：给一张图片，找到目标，并用矩形框画出 分类是对一幅图整体，检测是更进一步，找出一幅图中一部分。一般检测以分类为基础， 目标检测就是找出图像中…
阅读更多...
目标检测算法基础

目标检测算法基础

人脸检测算法综述 0 前言1 人脸检测算法难点2 人脸检测算法流程2.1 选择检测窗口2.2 提取图像特征2.3 设计分类器2.3.1 AdaBoost2.3.2 SVM分类器2.3.3 决策树与随机森林 3 人脸检测算法3.1 传统的人脸检测算法3.2 深度学习3.2.1 基于候选框的二阶段检测算法3.2.2 直接预测结果框…
阅读更多...
目标检测算法回顾之传统算法

目标检测算法回顾之传统算法

传统的目标检测算法 总体回顾基于特征基于分割 一般流程经典算法HarrAdaboost流程Harr特征Adaboost算法 HOG SVM概述方法HOG特征的优缺点 DPMDPM特征DPM流程 DPM vs HOG 总结 说明：本文仅供学习 虽然传统的目标检测方法现在比较少用，但我们认为有必要了…
阅读更多...
目标检测算法发展综述

目标检测算法发展综述

目标检测算法 一、目标检测算法二、目标检测算法存在的问题三、目标检测算法的基本流程四、传统的目标检测算法 1.Viola-Jones（VJ人脸检测算法）2.HOG SVM（行人检测，使用Opencv实现）3.DPM（物体检测&#xf…
阅读更多...
目标检测算法研究

目标检测算法研究

1、目标检测基本介绍 1.1、项目结构 1.2、目标检测的算法分类 1.2.1两步走的目标检测：先进行区域推荐、而后进行目标分类 代表算法 ：R-CNN、 SPP-net、Fast-R-CNN、Faster R-CNN 1.2.2、端到端的目标检测：采用一种网络一步到位 代表&#x…
阅读更多...
目标检测算法分类

目标检测算法分类

目标检测算法分类： 1、两步走的目标检测：先找出候选的一些区域，再对区域进行调整分类 代表：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN 2、端到端的目标检测：采用一个网络一步到位，输入图片，输…
阅读更多...
目标检测算法

目标检测算法

目标检测算法 一、目标检测算法二、目标检测算法存在的问题三、目标检测算法的基本流程四、传统的目标检测算法1.Viola-Jones（VJ人脸检测算法）2.HOG SVM（行人检测，使用Opencv实现）3.DPM（物体检测&#xff…
阅读更多...
目标检测总结：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD

目标检测总结：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD

目标检测总结：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD 转自：七月在线实验室 一、目标检测常见算法 object detection，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。所以，object detection要解…
阅读更多...
目标检测算法总结

目标检测算法总结

一、基于候选区域的目标检测器 滑动窗口检测器 根据滑动窗口从图像中剪切图像块，把图像块处理成固定大小。随后输入CNN分类器中，提取特征。最后使用SVM分类器识别种类，并且用线性回归器得到边框。 选择性搜索selective search 首先将每个…
阅读更多...
万字长文详解目标检测算法，超大超全(2022最新)

万字长文详解目标检测算法，超大超全(2022最新)

摘要 1 概述 2 目标检测回顾 2.1 two-stage 2.2 one-stage 3 目标检测配方 3.1 基础概念 3.1.1 损失函数 3.1.2 Anchor-based 和 Keypoint-based 3.1.3 NMS 3.2 目标检测中的挑战 4 目标检测中的Head 4.1 ThunderNet 4.2 You Only Look Once(YOLO) 4.3 Single Sh…
阅读更多...
推荐文章

Copyright @ 2022~2023