结合批量重归一化（BRN）的YOLOv5训练稳定性优化：从理论到实践全解析

摘要

在目标检测任务中，YOLOv5凭借其出色的速度与精度平衡成为工业界和学术界的首选模型之一。然而，随着网络深度增加和批量大小受限，传统的批量归一化（Batch Normalization, BN）面临训练不稳定、小批量性能下降等问题。本文提出将批量重归一化（Batch Renormalization, BRN）引入YOLOv5架构，通过动态约束内部协变量偏移，显著提升模型在多种批量配置下的训练稳定性。我们从理论推导、代码实现、实验验证三个维度展开，提供了完整的YOLOv5-BRN改进方案，并在COCO、VisDrone、DOTA等数据集上进行了详尽评估。实验表明，改进后的模型在batch size=4的极端条件下mAP@0.5提升7.2%，训练收敛速度加快23%，且对学习率波动具有更强的鲁棒性。本文所有代码已开源，可直接集成到YOLOv5项目中。

关键词：YOLOv5；批量重归一化；训练稳定性；目标检测；内部协变量偏移

一、引言

1.1 YOLOv5的局限性

YOLOv5作为One-stage目标检测算法的典范，在COCO数据集上实现了超过50%的AP。其核心优势包括：

• 自适应锚框计算：针对不同数据集自动聚类anchor

• Focus结构：减少信息丢失的同时降低参数量

• SPPF模块：加速特征金字塔计算

• 多种损失函数组合：CIoU Loss + Focal Lo