yolov5哪个版本使用的原始FPN

根据引用\[1\]中的信息，Yolov5刚出来时只使用了FPN结构，后来才增加了PAN结构。因此，最初的Yolov5版本使用的是原始的FPN结构。
#### 引用[.reference_title]
- *1* *2* *3* [深入浅出Yolo系列之Yolov5核心基础知识完整讲解](https://blog.csdn.net/nan355655600/article/details/107852353)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]

相关问题

yolov5使用原始FPN

YOLOv5模型的Neck部分使用的是FPN+PAN结构，其中FPN是针对多尺度问题提出的。FPN结构是自上而下并且横向连接的，它利用金字塔的形式对尺度不同的特征图进行连接，将高层特征和低层特征进行融合。这种结构可以有效提高网络的特征融合能力，从而提升检测的准确性。然而，使用FPN结构会导致一个问题，即PAN结构的输入全部是FPN结构处理的特征信息，而骨干特征提取网络部分的原始特征信息存在一部分丢失。这可能导致训练学习的偏差，影响检测的准确性。因此，在YOLOv5中，为了解决这个问题，使用了原始FPN结构。\[2\]原始FPN结构是2017年提出的一种网络，主要解决物体检测中的多尺度问题。它通过简单的网络连接改变，在基本不增加原有模型计算量的情况下，大幅度提升了小物体检测的性能。\[3\]所以，YOLOv5使用原始FPN结构来提高多尺度物体检测的准确性。
#### 引用[.reference_title]
- *1* *3* [YOLO学习笔记——第三篇YOLOv3（含FPN网络解析）](https://blog.csdn.net/qq_43578237/article/details/123469128)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
- *2* [YOLOv5改进-引入BiFPN](https://blog.csdn.net/weixin_57130167/article/details/130463783)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]

yolov5使用了FPN

YOLOv5是一种目标检测算法，它使用特征金字塔网络（Feature Pyramid Network，FPN）来提取多尺度的特征。FPN是一种用于解决目标检测任务中尺度不一致问题的网络结构。

在YOLOv5中，FPN被用于提取不同尺度的特征图，以便检测不同大小的目标。FPN通过在底层特征图上应用上采样和下采样操作，生成一系列具有不同分辨率的特征图。这些特征图包含了不同尺度的语义信息，可以用于检测不同大小的目标。

具体来说，YOLOv5中的FPN由一个主干网络和一个特征金字塔网络组成。主干网络负责提取原始图像的特征，而特征金字塔网络则负责生成多尺度的特征图。特征金字塔网络通过在主干网络的不同层之间添加额外的连接来实现上采样和下采样操作，从而生成多尺度的特征图。

使用FPN可以使YOLOv5在不同尺度上都能够有效地检测目标，提高了检测的准确性和鲁棒性。