深度解析Yolov5s網絡結構

一、背景

物體檢測是計算機視覺領域的一個重要研究方向，在人工智能領域有廣泛應用。Yolov5是一種基於深度學習的物體檢測方法，具有高效、高精度等特點。其中，Yolov5s相對來說計算量較小、速度較快。本文就將分析Yolov5s的網絡結構和部件組成，以此來深入了解提高物體檢測準確性和速度的技術手段。

二、Yolov5s網絡結構與組成部件

Yolov5s是基於深度卷積神經網絡（DCNN）的物體檢測算法，其網絡結構由一串卷積層和一些附加的輔助層組成。相對於傳統的RCNN、Fast RCNN、Faster RCNN和SSD等物體檢測算法，Yolov5s具有如下優點：

1. 高效

由於採用了一些基於新型卷積模塊的加速技術，如CSP（Cross Stage Partial）模塊，Yolov5s相較於傳統的物體檢測算法速度更快、計算量更小。

2. 準確性高

Yolov5s的backbone使用了較為新穎的SPP（Spatial Pyramid Pooling）模塊。相較於其他物體檢測算法中的backbone（如ResNet、DarkNet等），SPP可以將多種大小的特徵圖組合在一起，生成一個全局的特徵描述，因此對於小物體、遮擋、光照等問題有較強的魯棒性。此外，Yolov5s還使用了多尺度訓練的方法，針對不同尺度的物體，進行了適當的處理，提高了分類和定位的準確性。

3. 網絡結構清晰

Yolov5s的網絡結構非常清晰，模塊化程度較高，便於調整和設計相應模型。此外，Yolov5s中還有許多較為新穎的卷積模型，如CSP模塊等，可以為後續的模型設計提供參考。

下面我們將詳細介紹Yolov5s的網絡結構和組成部件。

1. Backbone

Yolov5s的backbone使用了較為新穎的SPP模塊，這是一個空間金字塔池化模塊，可以將多個不同大小的特徵圖進行組合，生成全局的特徵描述。SPP的含義是空間金字塔池化，其主要思想是在不影響特徵圖大小的情況下，對各個尺度的特徵圖進行最大值池化，得到固定維度的全局特徵描述，這使得網絡在特徵提取方面更具有魯棒性。SPP模塊的通道數量是其入口的四倍。此外，為了提高感受野，backbone還使用了一段空洞卷積層。



class SpatialPyramidPooling(Module):
    def __init__(self, pool_sizes=(5, 9, 13)):
        super().__init__()
        self.max_concats, self.pools = len(pool_sizes) + 1, nn.ModuleList()
        for p in pool_sizes:
            self.pools.append(nn.MaxPool2d(kernel_size=p, stride=1, padding=p // 2))
        self.pools.append(nn.MaxPool2d(kernel_size=1, stride=1))

    def forward(self, x):
        outs = [x]
        for p in self.pools:
            outs.append(F.interpolate(p(x), size=x.shape[-2:], mode='bilinear', align_corners=False))
        return torch.cat(outs, dim=1)

2. Head

Yolov5s的Head主要包含三個部分：FPN、PAN和YOLO Detection層。其中，FPN是一種特徵金字塔網絡模型，負責提取特徵圖中的更加抽象的特徵，以便更好地進行目標分類和檢測。PAN（Path Aggregation Network）是一種路徑聚合模型，主要用於調整不同特徵金字塔之間的大小和通道數，使其能夠適應不同大小的目標檢測。而YOLO Detection層是一個檢測層，主要是負責計算邊界框的坐標值、置信度以及類別概率值。具體來說，YOLO Detection層通過三個卷積層來對特徵圖進行處理，即先進行1×1卷積，再進行3×3卷積，最後返回坐標值、置信度和類別概率值等相關信息。



class Detect(nn.Module):
    stride = None  # strides computed during build
    export = False  # onnx export

    def __init__(self, nc, anchors, stride=32):
        super(Detect, self).__init__()
        self.nc = nc  # number of classes
        self.no = nc + 5  # number of outputs per anchor
        self.nl = len(anchors)  # number of detection layers
        self.na = len(anchors[0]) // 2  # number of anchors per layer
        self.grid = [torch.zeros(1)] * self.nl  # init grid
        a = torch.tensor(anchors).float().view(self.nl, -1, 2)
        self.register_buffer('anchors', a)
        self.register_buffer('anchor_grid', a.clone().view(self.nl, 1, -1, 1, 1, 2))
        self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in [512, 256, 256]) # three conv layers

    def forward(self, x):
        z = []
        self.grid = [torch.zeros(1)] * self.nl
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
            bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
            x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()

            if self.grid[i].shape[2:4] != x[i].shape[2:4]:
                self.grid[i] = self._make_grid(nx, ny).to(x[i].device)

            y = x[i].sigmoid()
            y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + self.grid[i]) * self.stride[i]  # xy
            y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
            z.append(y.view(bs, -1, self.no))

        return torch.cat(z, 1)

3. Neck

Yolov5s的Neck是一個由CSP模塊、SPP模塊和PAN模塊附加而來的部分，其主要功能是信息的優化和整合。CSP模塊是一種含多層卷積的模塊化架構，其主要思想是將相鄰卷積層的通道數量分成兩部分進行計算，增加了模型的複雜性，但也保證了模型的穩定性。SPP模塊已經在Backbone中介紹了，不再贅述。PAN模塊主要是針對高層次和低層次的特徵圖之間的邊界問題，採用了雙線性插值和上/下採樣來調整特徵圖的size。



class SPP(nn.Module):
    def __init__(self, c1, c2, k=(5, 9, 13)):
        super(SPP, self).__init__()
        c_ = c2 // 2  # hidden channels
        self.cv1 = BasicBlock(c1, c_, 1, 1)
        self.cv2 = BasicBlock(c_ * (2 + len(k)), c2, 1, 1)
        self.m = nn.ModuleList([nn.MaxPool2d(kernel_size=x, stride=1, padding=x // 2) for x in k])

    def forward(self, x):
        y = torch.cat([x] + [m(x) for m in self.m], 1)
        return self.cv2(self.cv1(y))

4. 總網絡結構示意圖

下圖是Yolov5s的總網絡結構示意圖，可以清晰地看到其各個部分的層數和組成方式。

三、總結

本文對Yolov5s網絡結構進行了詳細的解析，從多個方面分析了其優點和組成部件，有助於讀者了解現代物體檢測算法和深度學習技術的發展現狀。由於Yolov5s具有高效、高速、高準確性等特點，未來還將有更廣泛的應用和研究空間。

原創文章，作者：DTSB，如若轉載，請註明出處：https://www.506064.com/zh-hant/n/146555.html