Yolov5有很多版本，但是 Yolov5s網絡最小，速度最少，AP精度也最低。但如果檢測的以大目标為主，追求速度，倒也是個不錯的選擇。其他的三種網絡，在此基礎上，不斷加深加寬網絡，AP精度也不斷提升，但速度的消耗也在不斷增加。目前使用下來，yolov5s的模型十幾M大小，速度很快，線上生産效果可觀，嵌入式裝置可以使用。
主要技術介紹：
Mosaic資料增強
Yolov5的輸入端采用了和Yolov4一樣的Mosaic資料增強的方式。
注： Mosaic資料增強： 主要思想是将四張圖檔進行随機裁剪，再拼接到一張圖上作為訓練資料。這樣做的好處是豐富了圖檔的背景，并且四張圖檔拼接在一起變相地提高了batch_size，在進行batch normalization的時候也會計算四張圖檔，是以對本身batch_size不是很依賴，增加了資料的多樣性。
随機縮放、随機裁剪、随機排布的方式進行拼接，對于小目标的檢測效果很不錯。
自适應錨框計算
在Yolo算法中，針對不同的資料集，都會有初始設定長寬的錨框。
在網絡訓練中，網絡在初始錨框的基礎上輸出預測框，進而和真實框ground truth進行比對，計算兩者差距，再反向更新，疊代網絡參數。
在YOLOv3、YOLOv4中，訓練不同的資料集時，計算初始錨框的值是通過單獨的程式運作的。但YOLOv5中将此功能嵌入到代碼中，每次訓練時，自适應的計算不同訓練集中最佳錨框找值。
anchor box既用于訓練階段，也用于預測階段。
訓練階段，訓練的時候其實已經打好了錨框，也就是說，在實際預測的時候會生成多個錨框，然後通過疊代使我們的損失函數最小，讓預測的框與之前輸入的錨框盡可能相一緻。
在預測階段，首先在圖像中生成多個anchor box，然後根據訓練好的模型參數去預測這些anchor box的類别和偏移量，進而得到預測的邊界框。由于門檻值和anchor box數量選擇的問題，同一個目标可能會輸出多個相似的預測邊界框，這樣不僅不簡潔，而且會增加計算量，為了解決這個問題，常用的措施是使用非極大值抑制(non-maximum suppression，NMS)。
自适應圖檔縮放
在常用的目标檢測算法中，不同的圖檔長寬都不相同，是以常用的方式是将原始圖檔統一縮放到一個标準尺寸，再送入檢測網絡中。
Yolov5中的letterbox自适應圖檔縮放技術
在目标檢測中，輸入的圖檔尺寸有大有小，根據前人的實驗結果，輸入網絡的尺寸統一縮放到同一個尺寸時，檢測效果會更好（train中放入的圖檔并不經過letterbox，而是檢測的時候使用letterbox）
但這時就有個問題，如果是簡單的使用resize，就會造成圖檔的失真，是以提出了letterbox自适應圖檔縮放技術。詳情參考博文連結
Focus結構
class Focus(nn.Module):
# Focus wh information into c-space
def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True): # ch_in, ch_out, kernel, stride, padding, groups
super(Focus, self).__init__()
self.conv = Conv(c1 * 4, c2, k, s, p, g, act) # 這裡輸入通道變成了4倍
def forward(self, x): # x(b,c,w,h) -> y(b,4c,w/2,h/2)
return self.conv(torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1))
Focus子產品在v5中是圖檔進入backbone前，對圖檔進行切片操作，具體操作是在一張圖檔中每隔一個像素拿到一個值，類似于鄰近下采樣，這樣就拿到了四張圖檔，四張圖檔互補，長的差不多，但是沒有資訊丢失，這樣一來，将W、H資訊就集中到了通道空間，輸入通道擴充了4倍，即拼接起來的圖檔相對于原先的RGB三通道模式變成了12個通道，最後将得到的新圖檔再經過卷積操作，最終得到了沒有資訊丢失情況下的二倍下采樣特征圖。
以yolov5s為例，原始的640 × 640 × 3的圖像輸入Focus結構，采用切片操作，先變成320 × 320 × 12的特征圖，再經過一次卷積操作，最終變成320 × 320 × 32的特征圖。切片操作如下：參考博文連結
注： Yolov5s的Focus結構最後使用了32個卷積核，而其他三種結構，使用的數量有所增加。
CSP結構
Yolov5中設計了兩種CSP結構，以Yolov5s網絡為例，CSP1_X結構應用于Backbone主幹網絡，另一種CSP2_X結構則應用于Neck中。
CSPNet(Cross Stage Partial Network):跨階段局部網絡，以緩解以前需要大量推理計算的問題。
增強了CNN的學習能力，能夠在輕量化的同時保持準确性。
降低計算瓶頸。
降低記憶體成本。
CSPNet通過将梯度的變化從頭到尾地內建到特征圖中，在減少了計算量的同時可以保證準确率。
CSPNet和PRN都是一個思想，将feature map拆成兩個部分，一部分進行卷積操作，另一部分和上一部分卷積操作的結果進行concate。詳細解釋參考博文連結
neck部分
Yolov4的Neck結構中，采用的都是普通的卷積操作。而Yolov5的Neck結構中，采用借鑒CSPnet設計的CSP2結構，加強網絡特征融合的能力。
output
Bounding box損失函數 Yolov5中采用其中的GIOU_Loss做Bounding box的損失函數。
nms非極大值抑制 在目标檢測的後處理過程中，針對很多目标框的篩選，通常需要nms操作。Yolov4在DIOU_Loss的基礎上采用DIOU_nms的方式，而Yolov5中仍然采用權重nms的方式。