2024年4月15日发(作者：星咏德)

YOLOv5s网络结构详解

主干网络部分使用CSPDarknet53网络结构，它是对Darknet的改进。

CSPDarknet53使用了残差网络（ResNet）中的跳跃连接（skip

connections），从而可以在不同层次的输入和输出之间建立直接的连接。

这种设计可以减少信息的丢失，并促进梯度的传播。此外，CSPDarknet53

还使用了切片连接（slice concatenation）的方式，将输入的特征映射

分成两个部分，分别进行处理。通过这样的设计，CSPDarknet53可以同

时提取高层次和低层次的特征，并且减少了模型的参数量。

检测头部分是YOLOv5s算法的另一个重要组成部分。它负责处理主干

网络的输出，并生成最终的目标检测结果。检测头部分包括了多个卷积层

和全连接层。其中，最后的全连接层输出的是一个大小为(N*(5+C))的特

征向量，其中N是每个格子预测的框的数量，C是目标的类别数。这个特

征向量包含了每个预测框的坐标信息和对应的类别概率。

YOLOv5s的网络结构相对于之前的版本进行了多项改进，具有更高的

检测精度和更快的推理速度。其中的一个改进是引入了自适应卷积

（Adaptive Convolution），通过动态地调整卷积核的形状和大小，可以

适应不同特征的尺度和形状。这种自适应性能够提高算法对不同目标的检

测能力。另一个改进是引入了SiLU激活函数，它是Swish激活函数的一

种变种。SiLU激活函数在传统的ReLU激活函数的基础上做了改进，它能

够更好地保留特征的有用信息，并且在保持计算速度的同时提升了模型的

检测精度。

总的来说，YOLOv5s的网络结构通过使用CSPDarknet53作为主干网

络和引入自适应卷积和SiLU激活函数等改进，实现了更高的检测精度和

更快的推理速度。这使得YOLOv5s在许多实际应用场景中具有很大的应用

潜力。

2024年4月15日发(作者：星咏德)

YOLOv5s网络结构详解

主干网络部分使用CSPDarknet53网络结构，它是对Darknet的改进。

CSPDarknet53使用了残差网络（ResNet）中的跳跃连接（skip

connections），从而可以在不同层次的输入和输出之间建立直接的连接。

这种设计可以减少信息的丢失，并促进梯度的传播。此外，CSPDarknet53

还使用了切片连接（slice concatenation）的方式，将输入的特征映射

分成两个部分，分别进行处理。通过这样的设计，CSPDarknet53可以同

时提取高层次和低层次的特征，并且减少了模型的参数量。

检测头部分是YOLOv5s算法的另一个重要组成部分。它负责处理主干

网络的输出，并生成最终的目标检测结果。检测头部分包括了多个卷积层

和全连接层。其中，最后的全连接层输出的是一个大小为(N*(5+C))的特

征向量，其中N是每个格子预测的框的数量，C是目标的类别数。这个特

征向量包含了每个预测框的坐标信息和对应的类别概率。

YOLOv5s的网络结构相对于之前的版本进行了多项改进，具有更高的

检测精度和更快的推理速度。其中的一个改进是引入了自适应卷积

（Adaptive Convolution），通过动态地调整卷积核的形状和大小，可以

适应不同特征的尺度和形状。这种自适应性能够提高算法对不同目标的检

测能力。另一个改进是引入了SiLU激活函数，它是Swish激活函数的一

种变种。SiLU激活函数在传统的ReLU激活函数的基础上做了改进，它能

够更好地保留特征的有用信息，并且在保持计算速度的同时提升了模型的

检测精度。

总的来说，YOLOv5s的网络结构通过使用CSPDarknet53作为主干网

络和引入自适应卷积和SiLU激活函数等改进，实现了更高的检测精度和

更快的推理速度。这使得YOLOv5s在许多实际应用场景中具有很大的应用

潜力。