目录

一、YOLOv5核心原理

1. 单阶段检测范式

2. 关键技术特性

二、YOLOv5网络架构组成

1. Backbone：CSPDarknet53

2. Neck：PANet（Path Aggregation Network）

3. Head：检测头

三、YOLOv5网络架构细节

1. 整体架构图

2. 关键模块参数

四、YOLOv5的创新优化

1. 自适应训练机制

2. 损失函数设计

3. 轻量化改进（YOLOv5s与YOLOv5x对比）

五、YOLOv5应用场景

总结

手势识别实战

---

一、YOLOv5核心原理

1. 单阶段检测范式

• 回归式检测：将目标检测转化为单次前向传播的回归问题，直接预测边界框坐标和类别概率。

• 网格划分策略：输入图像被划分为S×S网格，每个网格单元负责预测中心点落在该区域的目标。

• 多尺度预测：通过不同层级的特征图预测不同尺寸的目标（大目标用深层特征，小目标用浅层特征）。

2. 关键技术特性

技术要点	作用描述
自适应锚框	根据训练数据自动计算最佳锚框尺寸（K-means++改进算法）
动态损失平衡	通过调整分类、置信度、坐标回归的损失权重（如CIoU Loss优化）
数据增强策略	Mosaic增强、MixUp、HSV随机调整等提升模型泛化能力
自适应分辨率	支持动态调整输入图像尺寸（如640×640或自定义尺寸）

---

二、YOLOv5网络架构组成

YOLOv5网络由Backbone（主干网络）、Neck（特征融合层）和Head（检测头）三部分组成：

1. Backbone：CSPDarknet53

• CSP结构（Cross Stage Partial Network）

• 优势：通过分割-处理-合并策略，减少计算量约20%并增强梯度多样性。

# CSP结构示例（YOLOv5中的BottleneckCSP模块）
class BottleneckCSP(nn.Module):def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):super().__init__()c_ = int(c2 * e)  # 中间通道数self.cv1 = Conv(c1, c_, 1, 1)  # 1x1卷积降维self.cv2 = nn.Conv2d(c1, c_, 1, 1, bias=False)self.cv3 = nn.Conv2d(c_, c_, 1, 1, bias=False)self.cv4 = Conv(2 * c_, c2, 1, 1)self.bn = nn.BatchNorm2d(2 * c_)self.act = nn.SiLU()self.m = nn.Sequential(*[Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)])def forward(self, x):y1 = self.cv3(self.m(self.cv1(x)))  # 分支1：卷积→Bottleneck堆叠y2 = self.cv2(x)                    # 分支2：直连return self.cv4(self.act(self.bn(torch.cat((y1, y2), dim=1))))

• Focus模块（输入切片处理）
• 作用：将输入图像相邻像素切片重组，替代传统卷积下采样，保留更多细节信息。

class Focus(nn.Module):def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True):super().__init__()self.conv = Conv(c1 * 4, c2, k, s, p, g, act)  # 通道数扩展4倍def forward(self, x):# 切片操作：将空间维度信息转为通道维度return self.conv(torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1))

2. Neck：PANet（Path Aggregation Network）

• 特征金字塔结构：

  • FPN（自顶向下）：深层特征上采样并与浅层特征融合，增强语义信息。

  • PAN（自底向上）：浅层特征下采样并与深层特征融合，补充定位细节。

# YOLOv5中的PANet实现（包含Concat和C3模块）
class PANet(nn.Module):def __init__(self, c1, c2):super().__init__()self.up = nn.Upsample(scale_factor=2, mode='nearest')self.c3_1 = C3(c1*2, c2, n=3, shortcut=False)self.c3_2 = C3(c2*2, c2, n=3, shortcut=False)def forward(self, x1, x2, x3):# 自顶向下（FPN）p3 = x3p3_up = self.up(p3)p2 = torch.cat([p3_up, x2], 1)p2 = self.c3_1(p2)# 自底向上（PAN）p2_up = self.up(p2)p1 = torch.cat([p2_up, x1], 1)p1 = self.c3_2(p1)return p1, p2, p3

3. Head：检测头

• 多尺度预测：输出三个尺度的特征图（如80×80、40×40、20×20），分别对应小、中、大目标。

• 预测张量结构：

# 输出shape：[batch_size, anchors_per_scale, grid_h, grid_w, 5 + num_classes]
# 5 = tx, ty, tw, th, confidence

• 解码过程：

def decode_box(pred, anchors, strides):# pred: [..., 4] 对应tx, ty, tw, thgrid_x = torch.arange(pred.shape[2]).repeat(pred.shape[3], 1).view(1, 1, pred.shape[2], pred.shape[3])grid_y = grid_x.permute(0, 1, 3, 2)pred[..., 0] = (torch.sigmoid(pred[..., 0]) * 2 - 0.5 + grid_x) * strides  # cxpred[..., 1] = (torch.sigmoid(pred[..., 1]) * 2 - 0.5 + grid_y) * strides  # cypred[..., 2:4] = (torch.sigmoid(pred[..., 2:4]) * 2) ** 2 * anchors  # w, hreturn pred

---

三、YOLOv5网络架构细节

1. 整体架构图

Input (640x640x3)
│
├── Focus [3→32]       # 切片下采样
├── Conv [32→64]
├── C3 [64→64]
├── Conv [64→128]
├── C3 [128→128] ×3
├── Conv [128→256]
├── C3 [256→256] ×3
├── Conv [256→512]
├── SPP [512→512]      # 空间金字塔池化
├── C3 [512→512] ×3
│
├── PANet开始
│   ├── UpSample → Concat → C3 [512→256]
│   ├── UpSample → Concat → C3 [256→128]
│   ├── DownSample → Concat → C3 [128→256]
│   └── DownSample → Concat → C3 [256→512]
│
└── Detect Head [3个尺度输出]

2. 关键模块参数

模块类型	参数配置示例	作用说明
Conv	kernel=6x6, stride=2, pad=2	下采样（替代池化）
C3	包含3个Bottleneck	跨阶段特征融合
SPP	池化核[5,9,13]	多尺度感受野融合
Upsample	scale_factor=2	特征图放大（最近邻插值）

---

四、YOLOv5的创新优化

1. 自适应训练机制

• 自适应锚框计算：训练初期自动计算最优锚框尺寸（--autoanchor参数）。

• 自适应图像缩放：保持原始图像宽高比进行填充，减少无效计算（letterbox）。

2. 损失函数设计

• CIoU Loss：综合中心点距离、宽高比、重叠率的损失计算：

• 

3. 轻量化改进（YOLOv5s与YOLOv5x对比）

模型版本	参数量（M）	GFLOPs	适用场景
YOLOv5s	7.2	16.5	移动端/嵌入式设备
YOLOv5m	21.2	49.0	平衡速度与精度
YOLOv5l	46.5	109.1	服务器端高性能检测
YOLOv5x	86.7	205.7	极致精度需求场景

---

五、YOLOv5应用场景

1. 工业质检：快速检测产品缺陷（PCB板、零部件）。

2. 自动驾驶：实时车辆、行人、交通标志识别。

3. 安防监控：人体姿态、异常行为检测。

4. 遥感图像：大尺度场景下的目标识别（建筑物、农田）。

---

总结

YOLOv5通过CSPDarknet主干网络、PANet特征融合和多尺度检测头，在保持实时性的同时提升了检测精度。其核心创新在于：

• 工程优化：自适应锚框、动态损失平衡、高效数据增强。

• 架构改进：Focus模块减少计算量，C3结构增强特征复用。

• 灵活性：提供多种模型尺寸（s/m/l/x）适应不同硬件需求。

手势识别实战

1. 用git把yolov5从GitHub上下载到本地
2. 把数据集划分为train1598:test457:val228=7:2:1,并放在dataset文件夹里
3. 划分参考
4. val没有参与狭义的模型训练过程（权重更新），但是它参与了模型评测，以此来选择（不同超参数、不同epoch）最好的模型，就相当于参与了广义的模型训练了。
5. 数据集结构为

6. datasettrainimageslabelstestval

7. 把data/coco.yaml复制并改为gesture.yaml
8. 把内容改为

9. # Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]# dataset root dir
   train: ../dataset_split/train/images  # train images (relative to 'path') 128 images
   val: ../dataset_split/val/images  # val images (relative to 'path') 128 images
   test: ../dataset_split/test/images # test images (optional)# Classes
   names:0: 000-one1: 001-five2: 002-fist3: 003-ok4: 004-heartSingle5: 005-yearh6: 006-three7: 007-four8: 008-six9: 009-Iloveyou10: 010-gun11: 011-thumbUp12: 012-nine13: 013-pink
   

10. 把models/yolov5s.yaml里面的80换成14：nc: 14 # number of classes
11. 把train.py里面找到下图代码并改为下图，其他的先不用动
12. 
13. 把整个文件压缩
14. 登录autodl账号，开个小小的GPU,点进去后再建立一个文件夹yolov5
15. 上传你的zip
16. 解压缩，打开终端，
17. cd autodl-temp
18. cd yolov5
19. unzip yasuobao(不用加后缀.zip）
20. 配环境pip install -r requirments.txt
21. 终端输入python train.py就可以了

训练完后报错AttributeError: module 'PIL.Image' has no attribute 'ANTIALIAS'

解决方法

训练了100轮

在目标检测任务中，损失函数是评估模型预测准确性的关键指标。Box Loss、Cls Loss 和 DFL Loss 是三种常用的损失函数，它们分别针对不同的预测误差进行优化。

Box Loss（边界框损失）主要用于计算预测边界框与真实边界框之间的差异。常见的计算方法包括 Mean Squared Error（均方误差）和 Smooth L1 Loss（平滑L1损失）。这种损失函数通过最小化预测框与真实框之间的差异，帮助模型更准确地定位目标。

Cls Loss（分类损失） 用于计算预测类别与真实类别之间的差异。这通常通过 交叉熵损失（Cross-Entropy Loss）来实现。分类损失的优化有助于提高模型对目标类别的识别准确性。

DFL Loss（自由形变损失）或称为 Distribution Focal Loss，是一种用于处理类别不平衡问题的损失函数。它类似于 Focal Loss，但引入了类别分布信息，从而更有效地处理不同类别样本数量差异较大的情况。

当这三个损失函数的值上升而不下降时，可能表明模型出现了过拟合。

obj_loss（目标置信度损失）是衡量模型预测边界框覆盖对象程度的一个重要指标。衡量目标检测对图像中是否存在目标进行判断的准确程度。当obj_loss较低时，表示模型能够正确识别出图像中的目标。

val.py就是用来测试的，原来在train.py里面默认是输入val，所以得出来的也是val_loss

但是现在要测试，所以要把里面参数部分默认的val改为test，然后再运行