深度学习入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。
这一篇文章属于是对YOLOv5系列的一个整理汇总。
文章图片
目录
一、输入端分析
二、整体网络结构图以及总括介绍
三、Backbone
四、Neck
五、Head
六、代码实现网络具体构建
七、利用YOLOv5训练自己的数据集
一、输入端分析 【YOLOv5|YOLOv5网络结构+代码+应用详解|CSDN创作打卡】YOLOv5输入端（一）—— Mosaic数据增强|CSDN创作打卡_tt丫的博客-CSDN博客
YOLOv5输入端（二）|CSDN创作打卡_tt丫的博客-CSDN博客（自适应锚框计算+自适应图片缩放）
二、整体网络结构图以及总括介绍 网络结构图如下图所示：
（其中CBL的标注都是有关输出的）
在这里感谢博友352（兄弟你前面那个符号是啥我这边显示不出来，不好意思）的提醒
v5.0版本
文章图片
目前更新到v6.0版本
文章图片
（这里比较大的改动是：用CBL代替 Focus 层，主要是为了方便模型导出 ）
YOLOv5网络结构分为3个部分，Backbone（主干部分），Neck和Head。
Backbone作用：特征提取
Neck作用：对特征进行一波混合与组合，并且把这些特征传递给预测层
Head作用：进行最终的预测输出
三、Backbone Backbone主要由Focus，CBL，BottleneckCSP（/C3）以及SPP等组成。
Focus作用：进行一个下采样，并且减少计算量加快网络速度。（v5.0）
CBL作用：（就是我们常说的卷积啦，虽然这里的卷积不是直接意义上的nn.Conv2d。）获取特征。
有关Focus和CBL的分析可以康康博主之前写的博客
YOLOv5中的Focus层详解_tt丫的博客-CSDN博客
BottleneckCSP（/C3）作用：残差结构，学习更多的特征。
有关BottleneckCSP（/C3）的分析可以康康博主之前写的博客
YOLOv5中的CSP结构_tt丫的博客-CSDN博客
SPP/SPPF作用：空间金字塔池化，将前面得到的任意大小的特征图转换成固定大小的特征向量。
（v5.0是SPP,v6.0是SPPF）
有关SPP/SPPF的分析可以康康博主之前写的博客
YOLOv5中的SPP/SPPF结构详解_tt丫的博客-CSDN博客_spp yolov5
四、Neck Neck说白了就是FPN+PAN结构的设计。
关于FPN和PAN可以看博主之前写的文章
深度学习中的FPN详解_tt丫的博客-CSDN博客
深度学习之PAN详解_tt丫的博客-CSDN博客
（这里v5.0和v6.0的区别请对照上图，懒得改了嘻嘻）
文章图片
文章图片
五、Head 我理解的Head就是输出端。如果单从网络结构上来说的话，他就是对Neck出来的3个输出分别进行卷积操作。然而Head的主要部分在于它的输出推理及处理。具体的可以看博主之前的文章，里面有关于损失函数，NMS以及源码的解析。
YOLOv5的输出端详解_tt丫的博客-CSDN博客
六、代码实现网络具体构建 详见YOLOv5的模型构建源码详解|CSDN创作打卡_tt丫的博客-CSDN博客
七、利用YOLOv5训练自己的数据集 YOLOv5训练自己的数据集详解_tt丫的博客-CSDN博客
欢迎大家在评论区批评指正，谢谢大家~
推荐阅读
- 目标检测|YOLOv5网络结构学习
- 深度学习|YOLO v4网络实现及解析
- pytorch|Grad-CAM简介
- 大数据|火热的 Web 3，究竟离我们有多远（）
- 中间件|Apache Member、ALC Beijing 发起人姜宁（一个人走的很快，但是一群人能走得更远）
- 区块链|活动回顾丨ALC Beijing 首场 Meetup（《开源到底有多难（》））
- 大数据|基于图卷积堆叠的双向单向LSTM神经网络的地铁客流预测
- 联邦学习|PyTorch实现联邦学习目标检测
- Datawhale|三月（心跳信号分类预测_baseline_v1：输出结果优化）