YOLOv5算法的部分笔记
yolov5还在快速度更新中，本文是以第三版为例所写，可能和最新的第四版有所出入，但变化应该不会很大。写此文主要是为了本人梳理yolov5知识点所用，若能帮助到他人，深感荣幸。本文内容主要来自笔者看yolov5代码、以下的知乎帖子，很多图、代码解析的内容都是从以下帖子中或借鉴、或摘抄而来，强烈建议大家先看一下这些大佬的帖子。
[1] https://zhuanlan.zhihu.com/p/172121380
[2] https://zhuanlan.zhihu.com/p/161083602
[3] https://zhuanlan.zhihu.com/p/183838757
1. mosaic增强方法
在yolov5中，mosaic增强方法的流程如下：
（1）原始图像缩放到固定尺寸：原始图像等比例缩放，长边缩放到640，短边不作限制。注意，此阶段只是等比例缩放，向上缩放和向下缩放使用的差值方法不同，短边不进行padding到 640大小。
（2）图像拼接：先生成一个1280x1280的空矩阵，用于存储拼接后的图像；然后随机选择一个拼接点，这个拼接点的范围限定在大图中心区域[640,640]范围内（笔者试过把中心范围改得小一点，但是精度会下降）；然后依次将四张640x640的图像放在大图的左上、右上左下、右下的位置，如果超出了1280x1280的范围，则超出部分被丢弃，如果图像较小没有填充满，则填充像素114，由此构成拼接后的大图。
（3）调整groundtruth框：根据拼接后的1280x1280的大图，将640x640小图上的groundtruth坐标调整为大图上的坐标，并把超出大图边界的坐标部分舍去。
（4）随机perspective增强、截取640x640图像：官方代码采用了随机缩放、随机平移，自定义的话还可以使用随机旋转、随机剪切等。同时，这一步也将大图1280x1280调整为640x640大小，但是并没有采用reshape的方法，而是直接截取中间(640,640)的区域。
这一步很关键，之前笔者误以为mosaic增强是把1280x1280的大图缩放到640x640大小，这样一来可以增加小目标的数量，从而得出结论mosaic增强可以提高小目标检测能力。但是在看过yolov5代码后，我发现mosaic增强只是把4张等比例缩放（这种等比例缩放其它检测算法也都会做的）的图像拼接在一起、从而使送入网络的图像更加丰富，而没有增加小目标的数量。
（5）调整groundtruth框：在进行随机perspective增强后，对groundtruth框坐标也进行相应的调整，同时将调整后的面积过小的groundtruth框去掉。
（6）进行HSV颜色空间增强、上下/左右翻转、mixup增强，之后得到的图像就可以直接送入网络了。
2.损失函数
2.1正负样本匹配策略
本文的正负样本指的都是预测框而不是groundtruth框。正负样本是根据groundtruth框和anchor的匹配情况来确定的。
yolov3/4采用的都是基于IOU的匹配策略，而 Yolov5采用的是基于宽高比例的匹配策略。具体而言，对每一个groundtruth框，分别计算它与9种anchor的宽与宽的比值、高与高的比值，在宽比值、高比值这2个比值中，取最极端的一个比值，作为groundtruth框和anchor的比值，具体实现的伪代码为：max( anchor / groundtruth, groundtruth / anchor )。
得到groundtruth框和anchor的比值后，若这个比值小于设定的比值阈值，那么这个anchor就负责预测groundtruth框，这个anchor的预测框就被称为正样本，所有其它的预测框都是负样本，yolov5中没有忽略样本。
2.2 正样本个数的增加策略
yolov5共有3个预测分支（FPN、PAN结构），共有9种不同大小的anchor，每个预测分支上有3种不同大小的anchor。
Yolov5算法通过以下3种方法大幅增加正样本个数：
（1）跨预测分支预测：假设一个groundtruth框可以和2个甚至3个预测分支上的anchor匹配，则这2个或3个预测分支都可以预测该groundtruth框，即一个groundtruth框可以由多个预测分支来预测。
（2）跨网格预测：假设一个groundtruth框落在了某个预测分支的某个网格内，则该网格有左、上、右、下4个邻域网格，根据groundtruth框的中心位置，将最近的2个邻域网格也作为预测网格，也即一个groundtruth框可以由3个网格来预测；
（3）跨anchor预测：假设一个groundtruth框落在了某个预测分支的某个网格内，该网格具有3种不同大小anchor，若groundtruth可以和这3种anchor中的多种anchor匹配，则这些匹配的anchor都可以来预测该groundtruth框，即一个groundtruth框可以使用多种anchor来预测。
2.3 损失函数
分为坐标损失(loss_giou)、目标置信度损失(loss_obj)和分类损失(loss_cls)三部分。其中目标置信度损失和分类损失采用BCEWithLogitsLoss（带log的二值交叉熵损失），坐标损失采用CIoU损失。虽然代码里面损失的变量名字写的是giou，但是通过看代码可以发现，其损失的代码实现中写了GIOU/DIOU/CIOU三种方法，默认情况下使用的是CIOU损失。
3个预测分支上的分类损失、坐标损失直接相加，得到总的分类损失和坐标损失，而3个预测分支上的目标置信度损失需要进行加权再相加，得到总的目标置信度损失，权中分别为[4.0, 1.0, 0.4]，其中4.0是用在大特征图（预测小目标）上，所以，这里的加权，我认为是旨在提高小目标的检测精度。
最后将分类损失、坐标损失、置信度损失直接相加，得到一个总损失（每张图像的平均总损失），再乘以batch的大小，得到用于更新梯度的损失。