YoloV5的原理与实现-开源TensorFlow版机器学习

开源自从yolov5开源以来，(不管因为啥原因算是)深受瞩目，最近我用tensorflow实现了其主要部分。就孤陋的我看来，是第一个纯正的tensorfow2版本，欢迎try and star：
https://github.com/LongxingTan/Yolov5
?
之前在工作中接触过yolov3(跑过demo应该就算接触过了)，效果惊艳。我在视觉领域只是个新人(悲伤的是我一个中年人却在哪儿哪儿都TM是新人)，能力有限，疏漏难免。从头开始实现，对我来说是一次不错的经历，遇到和解决了一些细节问题。

如readme中所指出的，主要特点如下：

纯tensorflow2的实现
用yaml文件来配置模型和控制模型大小
支持自定义数据训练
马赛克数据增强
通过iou或长宽比匹配anchor
相邻正样本增强
支持多GPU训练
相对详细的代码注释
缺点多，提升空间巨大

原理结合代码简单回顾一下其主要原理和改进。当然知乎上已经有不少非常不错的解析文章可以参考，尤其是下面列举的。当然，如有可能，读代码应该是更清晰、细节的了。

https://zhuanlan.zhihu.com/p/172121380
https://zhuanlan.zhihu.com/p/183838757
https://mp.weixin.qq.com/s/yXcoRK6btznOdxMjAncIlQ

损失函数部分，还没有完全和v5的设置一样。v5中做了一些优化，如不同scale的平衡，如目标confidence损失的权重等。
效果如果想要效果最佳，还是推荐原版pytorch，毕竟一直在更新中，v4和v5的作者也一直还在发力优化。如果对tensorflow有谜之爱好，或者想通过代码了解yolov5，我觉得我的版本写的更清楚一些（与之相应的代价是可能有细节遗漏甚至不对的地方），总之欢迎大家尝试。
在MNIST检测数据上的效果：