yolov5结构图详解

### YOLOv5 架构详解

#### 1. 总体网络结构概述
YOLOv5 是一种单阶段目标检测模型，其设计旨在实现实时性能的同时保持较高的准确性。该模型由多个主要组件构成，包括输入层、骨干网（Backbone）、颈部（Neck）以及头部（Head）。这些模块共同协作完成图像特征提取与对象定位的任务[^1]。

#### 2. 输入处理
对于输入数据而言，YOLOv5 接受固定大小的图片作为输入，默认情况下为640×640像素。为了适应不同尺寸的目标，在训练过程中会采用多尺度训练策略来增强模型泛化能力；而在推理阶段，则会对测试集中的每张照片进行缩放操作以匹配预设分辨率的要求。

#### 3. 骨干网 (Backbone)
在YOLOv5 中使用的CSPDarknet53架构被证明是非常有效的基础框架之一。它通过引入跨阶段部分连接机制(Cross Stage Partial connections)，使得信息能够在较深层次之间更高效地流动，从而提高了计算效率并减少了过拟合的风险。此外，还利用了Focus layer这一特殊单元来进行空间维度上的降采样工作，进一步提升了整体表现力。

class Focus(nn.Module):
    def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True):  # ch_in, ch_out, kernel, stride, padding, groups
        super().__init__()
        self.conv = Conv(c1 * 4, c2, k, s, p, g, act)

    def forward(self, x):  # x(b,c,h,w) -> y(b,4c,h/2,w/2)
        return self.conv(torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1))

#### 4. 颈部 (Neck)
YOLOv5 的 Neck 主要负责融合来自不同层级的信息流，并将其传递给最终预测头之前做必要的调整优化。具体来说就是采用了FPN+PANet相结合的方式构建了一个强大的自上而下的路径聚合网络(Path Aggregation Network)，这有助于提高小物体识别精度并且加强全局上下文感知能力。

#### 5. 头部 (Head)
最后到达的是用于生成边界框坐标及类别概率分布向量的输出端——即所谓的 "head" 或者叫作 “detection head”。在这个位置上部署了一系列卷积层用来逐步缩小通道数直至达到预期输出格式为止。值得注意的是，YOLOv5 支持三种不同的scale版本(S,M,L),分别对应着轻量化需求场景下不同程度资源消耗的选择。