引言

以下内容从网络结构、锚框机制与损失函数三个角度，通俗易懂且准确地解析 YOLOv5 的核心实现逻辑。

---

1. 网络结构解析

YOLOv5 采用经典的“Backbone → Neck → Head”三段式设计：

• Backbone：提取多尺度特征（CSPDarknet53）。
• Neck：特征融合（PANet改进的BiFPN）。
• Head：输出检测结果（多尺度预测头）。

1.1 Backbone：CSPDarknet53

• Focus 模块：将输入图像空间分割并通道拼接，实现下采样（宽高减半，通道数翻倍），保留原始信息 [[3]]。
• C3 模块：基于 CSP（跨阶段部分连接）结构，通过残差块提取特征，减少冗余计算 [[3]]。
• SPP 模块：使用多尺度最大池化（如 $5\times 5$、$9\times 9$、$13\times 13$）扩大感受野，增强大目标检测能力。

1.2 Neck：PANet 改进的 BiFPN

• 自顶向下（FPN）：从深层特征图上采样并与浅层特征拼接，传递语义信息。
• 自底向上（PAN）：从浅层特征图下采样并与深层特征拼接，传递定位信息。
• 双向融合：兼顾语义和定位精度，解决小目标检测难题。

1.3 Head：多尺度检测头

• 三尺度输出：
  • P3（80×80）：检测小目标。
  • P4（40×40）：检测中等目标。
  • P5（20×20）：检测大目标 [[3]]。
• 预测分支：每个锚框输出 $(t_x,t_y,t_w,t_h,t_{obj},t_{cls})$，分别表示边界框偏移、宽高、置信度和类别概率。
• 边界框公式：
  $$\begin{array}{rl}{b}_x& =(\sigma (t_x)+c_x)\times stride\\ b_y& =(\sigma (t_y)+c_y)\times stride\\ b_w& =ancho{r}_w\times \exp (t_w)\times stride\\ b_h& =ancho{r}_h\times \exp (t_h)\times stride\end{array}$$
  其中 $(c_x,c_y)$ 为网格坐标，$(ancho{r}_w,ancho{r}_h)$ 为锚框尺寸，$stride$ 为特征图步长。

---

2. 锚框（Anchor）机制

锚框是 YOLOv5 中的关键设计，用于训练匹配真实框和推理候选框。

2.1 锚框定义与作用

• 定义：每个尺度（P3-P5）预设 3 组锚框，形状基于数据集分布聚类生成。
• 作用：
  • 提供候选框起点，加速收敛。
  • 多尺度锚框覆盖不同尺寸目标。

2.2 自动 Anchor 聚类

1. K-means 聚类：
   • 基于标注框宽高 $(w,h)$ 进行聚类，距离度量为 $1-IoU$，生成 9 组初始锚框。
2. 遗传算法微调：
   • 对聚类结果进一步优化，最大化平均 IoU，适配特定数据集。
3. 尺度划分：
   • 将 9 组锚框按尺寸分配到 P3（小）、P4（中）、P5（大），确保匹配合理性。

2.3 正负样本匹配

• IoU 匹配规则：
  • 对每个真实框，匹配 IoU > 0.5 的锚框为正样本；若无，则选 IoU 最大的锚框。
• 忽略样本：
  • IoU 在 $ [0.4, 0.5) $ 的锚框标记为忽略，不参与损失计算。
• 负样本：
  • IoU < 0.4 的锚框为负样本，仅计算置信度损失。

---

3. 损失函数设计

YOLOv5 的损失函数由三部分组成：位置回归损失、置信度损失和分类损失。

3.1 位置回归损失（CIoU）

• CIoU 公式：
  $$Los{s}_{\text{CIoU}}=1-IoU+\frac{{\rho }^2}{c^2}+\alpha \nu$$
  其中 $\rho$ 为预测框与真实框中心距离，$c$ 为最小外接框对角线长度，$\nu$ 衡量宽高比差异。
• 优势：
  • 综合优化重叠度、中心距离和宽高比，提升定位精度 [[3]]。

3.2 置信度损失（BCE）

• 对正样本（目标存在）和负样本（背景）使用二元交叉熵损失：
  $$Los{s}_{\text{obj}}=-\sum [y\log (p)+(1-y)\log (1-p)]$$
  忽略样本不参与计算。

3.3 分类损失（BCE 或 CE）

• 单标签：使用交叉熵损失。
• 多标签：使用 BCE 独立预测每个类别。

3.4 多尺度总损失

L o s s total = ∑ s ∈ { P 3 , P 4 , P 5 } ( λ box L o s s CIoU ( s ) + λ obj L o s s obj ( s ) + λ cls L o s s cls ( s ) ) Loss_{\text{total}} = \sum_{s \in \{P3,P4,P5\}} \left( \lambda_{\text{box}} Loss_{\text{CIoU}}^{(s)} + \lambda_{\text{obj}} Loss_{\text{obj}}^{(s)} + \lambda_{\text{cls}} Loss_{\text{cls}}^{(s)} \right) Losstotal​=s∈{P3,P4,P5}∑​(λbox​LossCIoU(s)​+λobj​Lossobj(s)​+λcls​Losscls(s)​)
其中 ${\lambda }_{\text{box}},{\lambda }_{\text{obj}},{\lambda }_{\text{cls}}$ 为超参数，平衡各部分损失。

---

4. 总结

YOLOv5 通过 CSPDarknet53 提取高效特征，结合 PANet 实现多尺度双向融合，并采用 CIoU 损失与动态锚框匹配策略，在实时检测中达到精度与速度的平衡。其无锚点版本 YOLOv5u 进一步提升了灵活性。

5. 参考文献

https://docs.ultralytics.com/zh/yolov5/tutorials/architecture_description/
https://zhuanlan.zhihu.com/p/172121380