[论文解读] What is YOLOv5: A deep look into the internal features of the popular object detector

Rahima Khanam, Muhammad Azhar Hussain|arXiv (Cornell University)|Jul 30, 2024

COVID-19 diagnosis using AI被引用 27

一句话总结

本论文分析YOLOv5架构、训练方法与性能，详细描述CSP骨干网、PA-Net颈部、数据增强，以及PyTorch迁移，涵盖模型家族及边缘部署影响。

ABSTRACT

This study presents a comprehensive analysis of the YOLOv5 object detection model, examining its architecture, training methodologies, and performance. Key components, including the Cross Stage Partial backbone and Path Aggregation-Network, are explored in detail. The paper reviews the model's performance across various metrics and hardware platforms. Additionally, the study discusses the transition from Darknet to PyTorch and its impact on model development. Overall, this research provides insights into YOLOv5's capabilities and its position within the broader landscape of object detection and why it is a popular choice for constrained edge deployment scenarios.

研究动机与目标

• 评估YOLOv5在不同变体(n, s, m, l, x)相对于最先进对象检测器的性能。
• 指出有助于提升效率和准确性的架构创新（CSP骨干网、PA-Net颈部）和训练技术。
• 评估数据增强、损失设计，以及16位精度对实时检测的影响。
• 讨论从Darknet转向PyTorch对开发和部署的影响。

提出的方法

• 描述YOLOv5的演变与架构足迹，包括backbone、neck和head组件。
• 详细的训练方法：数据增强（包括马赛克）、损失组成部分（GIoU/CIoU，分类和目标性BCE）。
• 解释从Darknet到PyTorch的转变及其对开发与部署的影响。
• 解释用于边界框预测的数据增强和锚框策略。
• 给出16-bit浮点精度对特定GPU推理速度的影响。
• 概述CSP骨干网和PA-Net颈部设计及其在效率中的作用。

Figure 1: Process of Object Detection [ 13 ]

实验结果

研究问题

• RQ1 YOLOv5的各变体（n, s, m, l, x）在CPU和GPU平台上的准确性和速度对比如何？
• RQ2 哪些架构选择（CSP骨干网、PA-Net颈部）与训练技术推动YOLOv5性能提升？
• RQ3 将YOLOv5从Darknet转移到PyTorch对开发与部署的影响？
• RQ4 数据增强与边界框锚框策略如何影响小目标检测以及整体mAP？

主要发现

• YOLOv5变体的mAP随参数增多而提升，但在CPU/GPU上的推理速度需平衡。
• CSP骨干网和PA-Net颈部在不牺牲准确性的前提下提升了效率。
• 马赛克数据增强提升小目标检测和泛化能力。
• 16-bit精度在某些GPU（V100、T4）上可以加速推理，但并非所有硬件都支持。
• 转向PyTorch使获取和部署更加民主化，拓展了实际应用。

Figure 2: Bounding box prediction based on an anchor box [ 15 ]