什么是 YOLOV5：深入了解这款热门物体检测器的内部特性

摘要

本研究对 YOLOv5 目标检测模型进行了全面分析，考察了其架构、训练方法和性能。重点探讨了关键组件，包括跨阶段部分骨干网和路径聚合网络。本文回顾了该模型在各种指标和硬件平台上的性能。此外，本研究还讨论了从 Darknet 到 PyTorch 的过渡及其对模型开发的影响。总而言之，本研究深入分析了 YOLOv5 的功能及其在目标检测领域中的地位，并阐述了它为何是资源受限边缘部署场景的热门选择。

关键词：自动化；计算机视觉；YOLO；YOLOv5；目标检测；实时图像处理；卷积神经网络CNN）；YOLO 版本比较

1 引言

计算机视觉是一个快速发展的领域，它使机器[1]能够解释和理解视觉信息[2]。该学科的一个关键组成部分是目标检测[3]，它涉及在图像或视频序列中准确识别和定位目标[4]。为了应对这一挑战，人们开发了各种算法方法，近年来取得了显著进展[5]。

其中一项突破性技术是You Only Look Once (YOLO)算法，由Redmon等人于2015年提出[6]。该名称反映了其独特的方法，即仅检查整幅图像一次以识别目标及其位置。与采用两阶段检测过程的传统方法不同，YOLO将目标检测视为一个回归问题[6]。在YOLO范式中，使用单个卷积神经网络来预测整幅图像的边界框和类别概率[7]。这种简化的方法与具有更复杂流程的传统方法不同。本文在YOLO奠定的基础上，深入探讨了YOLOv5架构，这是一种最先进的目标检测模型，因其卓越的性能和效率而备受关注。

研究目标

本研究旨在评估 YOLOv5 目标检测模型与现有最先进模型的性能对比。研究重点在于评估不同 YOLOv5 变体（n、s、m、l、x）的模型精度和推理速度之间的权衡。通过考察这些不同规模的模型，本研究旨在确定满足不同应用需求的性能指标之间的最佳平衡点。本研究将探索 YOLOv5 性能提升的因素，尤其关注以下几个方面：

1. PyTorch 训练方法的作用

2. 架构创新（例如 CSP 主干网和 PA-Net 颈部）的影响

3. 数据增强技术（包括马赛克增强）的有效性

4. 损失计算方法和边界框锚框生成的影响

此外，本研究还将分析 YOLOv5 从 Darknet 框架过渡到 PyTorch 的影响，并考虑模型开发、部署以及自定义目标检测任务的可访问性等因素。通过对YOLOv5的功能和创新进行全面考察，本研究旨在为以下方面做出贡献：加深对高级目标检测算法及其在计算机视觉中实际应用的理解。

2 YOLOv5 的演进

YOLOv5 [8] 代码库是 Glenn Jocher 于 2020 年开发的 YOLOv3 [9] PyTorch 实现的演进版本。它是在 YOLOv4 [10] 发布之后发布的。YOLOv5 因其能够将 YOLOv3 模型从 Darknet 迁移到 PyTorch 以进行生产部署而广受欢迎。Ultralytics 认识到这种基于 PyTorch 的方法的实用性，启动了一项开发计划，旨在增强 PyTorch 框架内的 YOLOv3 架构和训练方法。这项工作旨在赋能更广泛的开发者社区，以便他们能够创建和部署自定义目标检测器。以下是 YOLOv5 的开发时间表：

• 2020 年 4 月 1 日：启动基于 YOLOv3/YOLOv4 架构的一系列复合规模 PyTorch 模型的开发。

• 2020年5月27日：YOLOv5 代码库公开发布，展现了现有 YOLO 实现中最先进的性能。
2020年6月9日：集成 CSP（跨阶段部分）模块，有助于提升模型速度、减小模型大小并提高精度。

2020年6月19日：默认采用 FP16 精度，从而减少检查点数量并加快推理速度。
2020年6月22日：实施 PANet 更新，包括新的检测头、减少参数以及提高 mAP（平均精度均值）。

最初，包含这些改进的模型被命名为 YOLOv4，与 Darknet 框架中同时发布的 YOLOv4 架构保持一致。但为了避免潜在的混淆和不一致，随后将其修订为 YOLOv5。尽管这一变化在研究界引发了一些争论，但为了便于客观评估，研究人员对YOLOv4和YOLOv5进行了比较分析[11]。本研究主要关注YOLOv5框架中引入的新技术和性能指标，这些内容详见GitHub代码库。必须指出的是，YOLOv5模型自诞生以来发展迅速，这表明该领域仍在持续进行研究和开发。因此，YOLOv5应被视为一个动态演进的系统，而非静态模型。

3 YOLOv5 的架构概览

目标检测是 YOLOv5 的主要应用之一，它需要从输入图像中提取显著特征。这些特征随后由预测模型进行处理，以定位和分类图像中的目标。

YOLO 架构通过将边界框回归和目标分类的任务整合到一个神经网络中，引入了端到端、可微分的目标检测方法 [12]。YOLO 网络主要由三个核心组件构成。主干网是一个卷积神经网络，负责将图像信息编码为不同尺度的特征图。这些特征图随后由颈部模块进行处理，该模块由一系列旨在整合和细化特征表示的层组成。最后，头部模块基于处理后的特征生成目标边界框和类别标签的预测。

虽然每个组件的架构设计都具有相当大的灵活性，但 YOLOv4 和 YOLOv5 通过融合其他计算机视觉领域的技术，显著推动了该领域的发展。这种协同方法已证明，YOLO框架内的目标检测性能得到了显著提升。

3.1 YOLOv5 训练方法

目标检测系统的有效性不仅取决于其底层架构，还取决于所采用的训练方法。虽然架构创新往往备受关注，但训练过程在实现最佳性能方面的作用同样至关重要。YOLOv5 采用了两种主要的训练技术：数据增强是 YOLOv5 训练流程的关键组成部分。通过对训练数据集进行各种变换，该技术可以增强模型的鲁棒性和泛化能力。因此，模型能够更好地适应真实世界图像条件的变化。

损失函数是一个综合指标，由三个主要部分组成：广义交并比 (GIoU)、目标性损失和分类损失。这些损失部分经过精心设计，旨在优化平均精度均值 (mAP)，mAP 是目标检测模型广泛采用的评估指标。

3.2 过渡到 PyTorch

YOLOv5 通过将 YOLO 架构从 Darknet 框架过渡到 PyTorch [14] 而取得了重大进展。Darknet 框架主要用 C 语言实现，使研究人员能够对网络操作进行精细控制。虽然这种控制级别有利于实验，但由于每次新的实现都需要自定义梯度计算，因此常常阻碍了新研究成果的快速集成。将 Darknet 的训练流程移植到 PyTorch（如 YOLOv3 中所述）本身就是一项复杂的工作。YOLOv5 通过在 PyTorch 生态系统中进一步优化和改进这些流程，扩展了这项工作。

3.3 数据增强

YOLOv5 在其训练流程中集成了数据增强技术，以增强模型的鲁棒性和泛化能力。在每个训练周期中，图像会通过在线数据加载器进行一系列增强，包括：缩放：调整图像大小。色彩空间操作：对颜色通道进行修改。马赛克增强：一种将四张图像合并成四个随机大小图块的新技术。
马赛克数据增强技术最初在 YOLOv3 PyTorch 代码库中引入，随后集成到 YOLOv5 中。该技术已被证明在解决小目标检测难题方面尤为有效，而小目标检测是 COCO（Common Objects in Context）目标检测基准数据集中常见的局限性。通过将多张图像合并成一个训练样本，该技术使模型能够接触到更广泛的目标尺度和空间排列方式，从而增强其准确检测小目标的能力。

3.4 边界框锚点

YOLOv3 PyTorch 代码库引入了一种新颖的锚框生成方法，它采用 K-means 聚类和遗传算法，直接从给定数据集中边界框的分布中提取锚框尺寸。这种方法对于自定义目标检测任务尤为重要，因为目标的尺度和宽高比通常与 COCO 等标准数据集中常见的值存在显著差异。YOLOv5 架构将边界框坐标预测为相对于预定义锚框尺寸集的偏移量。这些锚框尺寸对于初始化预测过程至关重要，并且会显著影响模型的性能。

3.5 损失函数计算

YOLOv5 损失函数由三个部分组成：用于类别预测和目标性的二元交叉熵 (BCE)，以及用于定位的完全交并比 (CIoU)。各项损失的加权总和：

Lobj、Lloc 分别代表类别预测的 BCE 损失、目标性 BCE 损失和定位 CIoU 损失。系数 λ1、λ2 和 λ3 是超参数，用于平衡各损失分量对整体优化过程的贡献。

3.6 16 位浮点精度

PyTorch 框架允许在训练和推理过程中将计算精度从 32 位浮点数降低到 16 位浮点数。当应用于 YOLOv5 时，该技术已展现出显著提升推理速度的潜力。然而，必须注意的是，这些性能提升仅取决于特定的 GPU 架构，特别是 YOLOv5 的 V100 和 T4 型号。虽然目前存在硬件兼容性方面的限制，但 NVIDIA 的持续开发表明，这种效率提升有望扩展到更广泛的硬件平台。

3.7 CSP 主干网

YOLOv4 和 YOLOv5 都集成了 CSP（跨阶段部分）瓶颈模块用于特征提取。这项由 WongKinYiu 等人提出的架构创新，解决了大型卷积神经网络主干网中普遍存在的梯度信息冗余问题。通过将特征图解耦为两个主要部分并重新组合，CSP 模块有效地降低了计算成本和模型复杂度，同时又不影响性能。这种效率提升对于 YOLO 系列网络尤为有利，因为快速推理和紧凑的模型尺寸对它们至关重要。

如图 3 所示，

CSP 模型借鉴了 DenseNet 架构，旨在解决深度 CNN 固有的挑战，包括梯度消失问题。DenseNet 通过促进层间直接连接，旨在增强特征传播、促进特征重用并减少网络参数的总数。

CSPResNext50 和 CSPDarknet53 架构对 DenseNet 结构进行了改进，如图 4 所示。

具体来说，基础层生成的特征图被分为两个分支。一个分支经过密集块处理，而另一个分支则直接传递到后续阶段。这种架构改进旨在缓解 DenseNet 固有的计算瓶颈，并通过保留原始特征图的未更改表示来增强学习效果。

3.8 PA-Net 颈部

YOLOv4 和 YOLOv5 都采用了 PA-Net 架构进行特征聚合 [18]。如图 5 所示，

每个 P_i 代表从 CSP 主干网络中提取的一个独立特征层。这种架构选择受到了 EfficientDet 目标检测框架的启发，该框架中 BiFPN 模块被认为是特征集成的最佳选择。虽然 BiFPN 方法可以作为基准，但 YOLO 框架内的其他实现方式也可能带来进一步的性能提升。显然，YOLOv5 在 YOLOv4 的基础研究基础上，选择了最合适的颈部架构。YOLOv4 全面评估了一系列选项，包括 FPN、PAN、NAS-FPN、BiFPN、ASFF 和 SFAM。

4 YOLOv5 架构模型

YOLOv5 架构包含五个不同的模型，从计算效率高的 YOLOv5n 到高精度的 YOLOv5x。

• YOLOv5n：YOLOv5n 专为资源受限环境设计，是该系列中最小、最快的模型。

其体积小巧，INT8 格式小于 2.5 MB，FP32 格式约为 4 MB，

非常适合部署在边缘设备和物联网平台上。与 OpenCV DNN 的兼容性进一步增强了其在移动应用中的实用性。

• YOLOv5s：YOLOv5s 代表基准模型，包含约 720 万个参数。

其性能特点使其适用于基于 CPU 的推理任务。

YOLOv5m：YOLOv5m 定位为中等规模模型，拥有 2120 万个参数，在速度和精度之间实现了平衡。

该模型通常被认为是适用于各种目标检测应用和数据集的通用选择。

• YOLOv5l：YOLOv5l 拥有 4650 万个参数，专为需要更高精度的场景而设计，

尤其适用于检测图像中的小型目标。

• YOLOv5x：作为该系列中最大、最复杂的模型，YOLOv5x 实现了同类模型中最高的 mAP。

然而，由于其 8670 万个参数，这种高性能是以更高的计算需求为代价的。

表 1 全面概述了模型变体，

包括其在 CPU 和 GPU 平台上的推理速度，以及 640 像素图像大小的参数数量。

5 YOLOv5 标注格式

YOLOv5 采用 PyTorch TXT 标注格式，该格式与 YOLO Darknet TXT 标准非常相似，但增加了一个 YAML 文件，用于指定模型配置和类标签。为了与 YOLOv5 兼容，各种工具生成的标注数据可能需要转换。Roboflow 等平台支持多种标注格式，并可将数据直接导出为 YOLOv5 兼容格式。常用的标注工具，包括 VOTT、LabelImg 和 CVAT，也可以使用，但需要进行适当的数据转换步骤。

6 YOLOv5 标注工具

为了高效地进行数据管理和标注，YOLOv5 的开发商 Ultralytics 推荐使用 Roboflow 作为兼容的标注工具 [20]。表 2 概述了与 YOLOv5 兼容的第三方集成平台。

表中列出了每个平台与 YOLOv5 集成后的主要功能。

7 讨论

YOLOv5 代表了目标检测领域的一项重大进步，它建立在其前代产品奠定的基础之上，并引入了以下创新改进：

1. 架构改进：YOLOv5 代表了目标检测领域的一项重大进步，它建立在之前的 YOLO 迭代之上。CSP 骨干网和 PA-Net 颈部的引入提高了计算效率，同时又不影响精度。CSP 模块有效地处理了冗余梯度信息，而 PA-Net 架构则优化了特征聚合。

2. 模型通用性：YOLOv5 模型（n、s、m、l、x）的多样性使其能够灵活满足各种硬件和应用需求。最小的模型 YOLOv5n 将目标检测能力扩展到了边缘设备和物联网平台。

3. 训练方法创新：YOLOv5 强调数据增强，特别是马赛克增强，这提高了小目标检测的性能，并降低了对数据集大小的要求。采用 16 位浮点精度体现了前瞻性的优化方法。

4. 性能与影响：YOLOv5 的高 mAP 分数和低推理时间使其成为实时目标检测的有力竞争者。

向 PyTorch 的过渡使模型的访问更加普及，促进了更广泛的研究和开发。

8 结论

YOLOv5 已成为目标检测领域的一项重大进步，在速度、准确性和用户友好性之间实现了令人信服的平衡。虽然其核心架构建立在既有原则之上，但该模型在 PyTorch 框架内的实现代表着一次巨大的飞跃，提高了开发效率和部署能力。针对不同计算约束定制的多个模型变体的可用性扩展了 YOLOv5 在各个领域的应用，从可再生能源 [24] 到制造业的质量检测 [25]。该模型的易用性，以及与现有工具和平台的兼容性，使 YOLOv5 成为研究和实际应用的多功能解决方案。随着计算机视觉领域的快速发展，YOLOv5 为未来实时目标检测及相关任务的进步奠定了坚实的基础。

参考文献

[1] M. A. Ansari, A. Crampton, and S. Parkinson. A layer-wise surface deformation defect detection by convolutional
neural networks in laser powder-bed fusion images. Materials, 15(20):7166, Oct. 2022.
[2] Muhammad Hussain. Yolov1 to v8: Unveiling each variant–a comprehensive review of yolo. IEEE Access,
12:42816–42833, 2024.
[3] Arsalan Zahid, Muhammad Hussain, Richard Hill, and Hussain Al-Aqrabi. Lightweight convolutional network
for automated photovoltaic defect detection. In 2023 9th International Conference on Information Technology
Trends (ITT), pages 133–138. IEEE, 2023.
[4] Muhammad Hussain. When, where, and which?: Navigating the intersection of computer vision and generative ai
for strategic business integration. IEEE Access, 11:127202–127215, 2023.
[5] Muhammad Hussain and Rahima Khanam. In-depth review of yolov1 to yolov10 variants for enhanced photo
voltaic defect detection. In Solar, volume 4, pages 351–386. MDPI, 2024

[6] Joseph Redmon, Santosh Divvala, Ross Girshick, and Ali Farhadi. You only look once: Unified, real-time object
detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 779–788,
2016.
[7] MuhammadHussain. Yolo-v5 variant selection algorithm coupled with representative augmentations for modelling
production-based variance in automated lightweight pallet racking inspection. Big Data and Cognitive Computing,
7(2):120, 2023.
[8] Ultralytics. Yolov5, 2024. Accessed: 2024-07-23.
[9] Glenn Jocher. ultralytics/yolov3: Yolov3 implementation in pytorch, 2024. Accessed: 2024-07-23.
[10] Z. Yao, Y. Cao, S. Zheng, G. Huang, and S. Lin. Cross-iteration batch normalization. In openaccess.thecvf.com,
2021.
[11] Roboflow Blog. Yolov4 vs. yolov5: Which one should you use?, 2023. Accessed: 2024-07-24.
[12] Rahima Khanam, Muhammad Hussain, Richard Hill, and Paul Allen. A comprehensive review of convolutional
neural networks for defect detection in industrial applications. IEEE Access, 2024.
[13] Alexey Bochkovskiy, Chien-Yao Wang, and Hong-Yuan Mark Liao. Yolov4: Optimal speed and accuracy of
object detection. arXiv preprint arXiv:2004.10934, 2020.
[14] PyTorch. Pytorch brand guidelines. Accessed: 2024-07-25.
[15] Roboflow Blog. What is an anchor box? https://blog.roboflow.com/what-is-an-anchor-box/. Ac
cessed: 2024-07-25.
[16] Gao Huang, Zhuang Liu, Laurens Van Der Maaten, and Kilian Q Weinberger. Densely connected convolutional
networks. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 4700–4708,
2017.
[17] Chien-Yao Wang, Hong-Yuan Mark Liao, Yueh-Hua Wu, Ping-Yang Chen, Jun-Wei Hsieh, and I-Hau Yeh. Cspnet:
A new backbone that can enhance learning capability of cnn. In Proceedings of the IEEE/CVF conference on
computer vision and pattern recognition workshops, pages 390–391, 2020.
[18] J. Solawetz. YOLOv5 New Version- Improvements and Evaluation. Roboflow Blog, Jun. 2020.
[19] Mingxing Tan, RuomingPang, andQuocVLe. Efficientdet: Scalable and efficient object detection. In Proceedings
of the IEEE/CVF conference on computer vision and pattern recognition, pages 10781–10790, 2020.
[20] Brad Dwyer. Roboflow and ultralytics partner to streamline yolov5 mlops, 2021. Accessed: 2024-07-29.
[21] Deci AI. Deci ai documentation, 2024. Accessed: 2024-07-29.
[22] ClearML. Yolov5 clearml integration documentation, 2021. Accessed: 2024-07-29.
[23] Weights and Biases. Yolov5 weights and biases integration guide, 2021. Accessed: 2024-07-29.
[24] Muhammad Hussain, Mahmoud Dhimish, Violeta Holmes, and Peter Mather. Deployment of ai-based rbf network
for photovoltaics fault detection procedure. AIMS Electronics and Electrical Engineering, 4(1):1–18, 2019.
[25] Tahir Hussain, Muhammad Hussain, Hussain Al-Aqrabi, Tariq Alsboui, and Richard Hill. A review on defect
detection of electroluminescence-based photovoltaic cell surface images using computer vision. Energies,16(10):4012, 2023.