目标检测从YOLOv1到YOLOX(理论梳理)

Posted 2022-07-13 zstar-_

前言

YOLO系列应该是目标领域知名度最高的算法，其凭借出色的实时检测性能在不同的领域均有广泛应用。
目前，YOLO共有6个版本，YOLOv1-v5和YOLOX，除了YOLOv5外，其它都有相应的论文，5篇论文我已上传到资源中，可自行下载：https://www.aliyundrive.com/s/ofcnrxjzsFE
工程上使用最多的版本是YOLOv3和YOLOv5，Pytorch版本均由ultralytics公司开发，YOLOv5仍在进行维护，截至目前，已经更新到YOLOv5-6.1版本。
项目地址：https://github.com/ultralytics/yolov5
在上篇博文中，详细记录了如何用YOLOv5来跑通VOC2007数据集，本篇博文旨在对YOLO系列算法的演化进行简单梳理，更多详细的内容可以看文末的参考资料。

YOLOv1

YOLO全称Yolo Only Look Once，即只需看一次就能把目标识别出来。它由Joseph Redmon等人提出，论文成果发表在了CVPR 2016上。它的精度不及two-stage的Faster R-CNN，但做到更高的实时性。据原论文所述，它能够做到每秒45帧的检测速率，同时，作者还设计了一个深度更浅的小网络，能够做到每秒155帧的检测速率。

核心思想

如图所示，YOLO的核心思想是把原始图像分成SxS个网格，让每个网格负责预测类别。

具体过程：
(1) 将一幅图像分成 S×S个网格（grid cell），如果某个 object 的中心落在这个网格中，则这个网格就负责预测这个object。
(2) 每个网格要预测 B 个bounding box，每个 bounding box 要预测 (x, y, w, h) 和 confidence 共5个值。
(3) 每个网格还要预测一个类别信息，记为 C 个类。
总的来说，S×S 个网格，每个网格要预测 B个bounding box ，还要预测 C 个类。网络输出就是一个 S × S × (5×B+C) 的张量。

网络结构

YOLO受到GoogLeNet的启发，搭建了下图所示的网络结构。和GoogLeNet经典的inception结构不同，YOLOv1网络只是简单使用1x1+3x3卷积核的形式来提取特征。

• 网络输入：448×448×3的彩色图片。
• 中间层：由若干卷积层和最大池化层组成，用于提取图片的抽象特征。
• 全连接层：由两个全连接层组成，用来预测目标的位置和类别概率值。
• 网络输出：7×7×30的预测结果。

网络输出的7x7即分割网格数，30即两个bounding box + 20个类别分数。

这个类别分数(有的文章称类别置信度)可以通过下面的公式进行计算：

Pr(Object)对应的是该格子中目标的概率，有目标为1，没目标为0，IOU即预测框和真实框的交并比，对每一类分别进行计算，即得到每一类的分数。

损失函数

损失函数由三部分构成：

定位损失(bounding box损失)：衡量预测框和真实框的差异
置信度损失(confidence损失)：衡量是否有目标
分类损失(classes损失)：衡量目标的类别

• 定位误差比分类误差更大，所以增加对定位损失的惩罚，使${\lambda }_{coord}=5$
• 在每个图像中，许多网格单元不包含任何目标。训练时就会把这些网格里的框的“置信度”分数推到零，这往往超过了包含目标的框的梯度。从而可能导致模型不稳定，训练早期发散。因此要减少了不包含目标的框的置信度预测的损失，使${\lambda }_{noobj}=0.5$

局限

论文中提到YOLOv1有以下三点局限：

• 对相互靠近的物体，以及很小的群体检测效果不好，这是因为一个网格只预测了2个框，并且都只属于同一类。
• 由于损失函数的问题，定位误差是影响检测效果的主要原因，尤其是大小物体的处理上，还有待加强。（因为对于小的bounding boxes，small error影响更大）
• 对不常见的角度的目标泛化性能偏弱。

YOLOv2

2017年，YOLOv1的作者Joseph Redmon继续提出 YOLOv2，它在初代YOLO版本上进行了一系列改进，使其速度更快，效果更好，正如论文标题所述：YOLO9000: Better, Faster, Stronger。这里的9000指YOLO9000可以同时在COCO和ImageNet数据集中进行训练，训练后的模型可以实现多达9000种物体的实时检测。

它主要有以下几点改进：

网络结构

Yolov2采用了Darknet-19特征提取网络，网络结构图如下所示：

YOLOv2采用了一个新的基础模型（特征提取器），称为Darknet-19，包括19个卷积层和5个maxpooling层，网络结构图如下所示

加入BN层

对数据进行预处理（统一格式、均衡化、去噪等）能够大大提高训练速度，提升训练效果。因此，
在YOLOv2中，每个卷积层后面都添加了Batch Normalization层，并且不再使用droput。使用Batch Normalization后，YOLOv2的mAP提升了2.4%。

更高分辨率的预训练

由于历史原因，ImageNet分类模型基本采用大小为224x224的图片作为输入，分辨率相对较低，不利于检测模型。所以YOLOv1在采用224x224分类模型预训练后，将分辨率增加至448x448，并使用这个高分辨率在检测数据集上finetune。但是直接切换分辨率，检测模型可能难以快速适应高分辨率。所以YOLOv2增加了在ImageNet数据集上使用448x448输入来finetune分类网络这一中间过程（10 epochs），这可以使得模型在检测数据集上finetune之前已经适用高分辨率输入。使用高分辨率分类器后，YOLOv2的mAP提升了约4%。

引入锚框(Anchor)

在YOLOv1中，输入图片最终被划分为7x7网格，每个单元格预测2个边界框。YOLOv1最后采用的是全连接层直接对边界框进行预测，其中边界框的宽与高是相对整张图片大小的，而由于各个图片中存在不同尺度和长宽比的物体，YOLOv1在训练过程中学习适应不同物体的形状是比较困难的，这也导致YOLOv1在精确定位方面表现较差。

YOLOv2借鉴了RCNN系列的Anchor机制，改变YOLOv1的直接回归出每个box的坐标，YOLOv2对于每个box回归相对于Anchor的偏移量。有了Anchor，就像是站在巨人的肩膀上，比如以前预测值取值为[0,100]，现在预测取值为50 + [0,1]，输出的范围变小，从而更加稳定。

另外，RCNN系列的Anchor是通过人为经验进行设置。YOLOv2采取了一个比较新颖的方法，对于Voc和Coco数据集的box进行k-means聚类。
注意，这里聚类的距离指标并不是常见的欧氏距离，因为大检测框和小检测框的距离有差异，这样大检测框的误差会比小检测框的误差要大。因此作者选择box与聚类中心box之间的IOU值作为距离指标：

作者通过聚类最终得到5种anchor，其宽高分别如下：

# 注意，这个宽高是在Grid的尺度下的，不是在原图尺度上，在原图尺度上的话还要乘以步长32。
# 这个anchor尺寸不是固定值，对于不同数据集，重新聚类得到的anchor尺寸不一样。
[0.57273, 0.677385], 
[1.87446, 2.06253],
[3.33843, 5.47434],
[7.88282, 3.52778],
[9.77052, 9.16828].

关于这个总步长32，还有细节可以补充。前面提到YOLOv2训练模型输入的图片尺寸为448x448，但在检测模型中，输入图片的尺寸为416x416，这样通过网络的一系列运算，最后得到的特征图大小为13x13，维度是奇数，这样就恰好只有一个中心位置。对于一些大物体，它们中心点往往落入图片中心位置，此时使用特征图的一个中心点去预测这些物体的边界框相对容易些。

位置宽高计算

上面提到，YOLOv2输出的是对于锚框的相对位置，那么如何将这个输出结果转换成对应图中的实际位置。下图给出了转换公式和示例：

网络主要输出四个偏移量量(offset)：$t_x$，$t_y$，$t_w$，$t_h$，这里的($c_x$，$c_y)$指的是当前这个cell的左上角坐标(这里图中表示得并不清楚，容易产生误解)，在计算时每个cell的尺度为1，因此对于$t_x$，$t_y$，添加了一个sigmoid函数，确保边界框的中心位置会约束在当前cell的内部，防止偏移过多。
式中的 $p_w$，$p_h$分别为先验框的宽度与长度。
注意，这个$b_x$，$b_y$，$b_w$，$b_h$是是相对于特征图大小的，在特征图中每个cell的长和宽均为1，特征图即最终输出的网格分布图。这里记特征图的大小为(W, H)，文中是13x13，边界框相对于整张图片的位置和大小可由下面的公式进行计算。

这样就得到了最终预测的输出值，可以和label做回归运算。

特征融合

YOLOv2最终的特种图的尺寸为13x13，下采样32倍，对于一些小目标来说，确实容易丢失。因此作者采用了一个很巧妙的方法，直接把前层的26x26的feature map 转换为13x13x4然后与13x13 通过channel叠加在一起，也是联合了高分辨率的feature map呀，提升了1%左右的map，类似经典的FPN。

动态尺寸调节

由于YOLOv2模型中只有卷积层和池化层，所以YOLOv2的输入可以不限于416x416大小的图片，因此作者提出了动态尺寸调节(multi-scale)，即每经过一定的迭代次数，将网络输入的尺度进行次随机变换，让网络能够学习到不同尺度下的特征。这样的好处就在于，网络可以动态均衡速度和精度了，例如精度想高一点，那只要调大测试图的输入尺寸即可。

由于YOLOv2的下采样总步长为32，输入图片大小选择一系列为32倍数的值，输入图片最小为320x320，对应特征图大小为10x10；输入图片最大为608x608，对应特征图大小为19x19。在训练过程，每隔10个iterations随机选择一种输入图片大小，然后只需要修改对最后检测层的处理就可以重新训练。

最后是损失函数，论文里没有具体提到，估计和YOLOv1差别不大。也有人通过分析源码发现其损失函数更加复杂，既然论文没详细涉及，这里也不做展开分析。YOLOv2的创新点基本就这些，论文里还有一些细节，可以去看原论文。

YOLOv3

YOLOv3的论文内容仅仅只有4页纸。一作同样是v1，v2的作者Joseph Redmon，它在论文中提到：“近一年时间都在沉迷推特，以至于工作时间不多，这不算是一篇正式的论文，更像是一个学术报告。”对于论文写得这么潇洒的作者，我去YOLO的官方主页找到了它的个人简历。

这么花哨的简历，只能感叹：牛人就是任性。在YOLOv3这篇论文发布之后，Joseph因看到自己发明的技术产生了负面影响，于是宣布退出CV领域。

回归正题，首先看YOLOv3的网络结构。

网络结构

YOLO v3在之前Darknet-19的基础上引入了残差模块，并进一步加深了网络，改进后的网络有53个卷积层，取名为Darknet-53，网络结构图如下所示：


上图三个蓝色方框内表示Yolov3的三个基本组件：
（1）CBL：Yolov3网络结构中的最小组件，由Conv+Bn+Leaky_relu激活函数三者组成。
（2）Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。
（3）ResX：由一个CBL和X个残差组件构成，是Yolov3中的大组件。
其他基础操作：
（1）Concat：张量拼接，会扩充两个张量的维度，例如26×26×256和26×26×512两个张量拼接，结果是26×26×768。
（2）Add：张量相加，张量直接相加，不会扩充维度，例如104×104×128和104×104×128相加，结果还是104×104×128。

与Darknet-19对比可知，Darknet-53主要做了如下改进：

• 没有采用最大池化层，转而采用步长为2的卷积层进行下采样。
• 为了防止过拟合，在每个卷积层之后加入了一个BN层和一个Leaky ReLU。
• 引入了残差网络的思想，目的是为了让网络可以提取到更深层的特征，同时避免出现梯度消失或爆炸。
• 将网络的中间层和后面某一层的上采样进行张量拼接，达到多尺度特征融合的目的。

多尺度预测

YOLOv3借鉴了FPN的思想，从不同尺度提取特征。相比YOLOv2，YOLOv3提取最后3层特征图，不仅在每个特征图上分别独立做预测，同时通过将小特征图上采样到与大的特征图相同大小，然后与大的特征图拼接做进一步预测。用维度聚类的思想聚类出9种尺度的anchor box，将9种尺度的anchor box均匀的分配给3种尺度的特征图。

在COCO数据集上，这9个先验框是(10x13),(16x30),(33x23),(30x61),(62x45),(59x119),(116x90),(156x198),(373x326)。
分配上，在最小的13x13特征图上(有最大的感受野)应用较大的先验框(116x90),(156x198),(373x326)适合检测较大的对象。
中等的26x26特征图上(中等感受野)应用中等大小的先验框(30x61),(62x45),(59x119)，适合检测中等大小的对象。
较大的52x52特征图上(较小的感受野)应用较小的先验框(10x13),(16x30),(33x23)，适合检测较小的对象。

多标签分类

在YOLOv2中，算法认定一个目标只从属于一个类别，根据网络输出类别的得分最大值，将其归为某一类。然而在一些复杂的场景中，单一目标可能从属于多个类别。比如在一个交通场景中，某目标的种类既属于汽车也属于卡车。

为实现多标签分类，YOLOv3使用了sigmoid函数，如果某一特征图的输出经过该函数处理后的值大于设定阈值(比如0.5)，那么就认定该目标框所对应的目标属于该类。

同样，为了这一点，损失函数也做了相应调整，论文没写，不作细述。

YOLOv4

2020年，在YOLOv1-v3的作者Joseph Redmon退隐江湖之后，Alexey Bochkovskiy等人继续接棒研究，提出YOLOv4，论文发表在CVPR上。
相比于前面几个版本，YOLOv4没有做根本性的创新，只是将很多Tricks添加到了v3版本中，实现了检测速度和精度的最佳权衡。实验表明，在Tesla V100上，对MS COCO数据集的实时检测速度达到65 FPS，精度达到43.5%AP。

网络结构

YOLOv4把网络分成三个部分：Backbone(主干)、Neck(颈)、Head(头部)

• Backbone: CSPDarknet53
• Neck: SPP，PAN
• Head: YOLOv3

YOLOv4 = CSPDarknet53（主干）+ SPP附加模块（颈）+ PAN路径聚合（颈）+ YOLOv3（头部）

(1)CSPDarknet53
CSPDarknet53主要改进自CSPNet。CSPNet全称是Cross Stage Partial Network，在2019年由Chien-Yao Wang等人提出，用来解决以往网络结构需要大量推理计算的问题。
在YOLOv4中，将原来的Darknet53结构换为了CSPDarknet53，这在原来的基础上主要进行了两项改变：

• 将原来的Darknet53与CSPNet进行结合。
  进行结合后，CSPnet的主要工作就是将原来的残差块的堆叠进行拆分，把它拆分成左右两部分：主干部分继续堆叠原来的残差块，支路部分则相当于一个残差边，经过少量处理直接连接到最后。具体结构如下：
  
• 使用MIsh激活函数代替了原来的Leaky ReLU
  在YOLOv3中，每个卷积层之后包含一个批量归一化层和一个Leaky ReLU。而在YOLOv4的主干网络CSPDarknet53中，使用Mish代替了原来的Leaky ReLU。Leaky ReLU和Mish激活函数的公式与图像如下：
  

(2)SPP
SPP来源于ResNets作者何恺明的论文：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
SPP就是将特征层分别通过一个池化核大小为5x5、9x9、13x13的最大池化层，然后在通道方向进行concat拼接在做进一步融合，这样能够在一定程度上解决目标多尺度问题，如下图所示。

(3)PAN
PAN（Path Aggregation Network）结构其实就是在FPN（从顶到底信息融合）的基础上加上了从底到顶的信息融合，如下图所示，和原始PAN论文有所区别的是，YOLOv4更改了融合的计算方式，并非直接进行相加，而是在通道方向进行Concat拼接。

(4)YOLOv3 Head
在YOLOv4中，继承了YOLOv3的Head进行多尺度预测，提高了对不同size目标的检测性能。

位置宽高计算优化

在前面的YOLOv2位置宽高计算那里提到了目标的计算方式。
其中：

• $t_x$是网络预测的目标中心x坐标偏移量（相对于网格的左上角）
• $t_y$是网络预测的目标中心y坐标偏移量（相对于网格的左上角）
• $c_x$是对应网格左上角的x坐标
• $c_y$是对应网格左上角的y坐标
• $\sigma$是sigmoid激活函数，将预测的偏移量限制在0到1之间，即预测的中心点不会超出对应的Grid Cell区域\\

但在YOLOv4的论文中作者认为这样做不太合理，比如当真实目标中心点非常靠近网格的左上角点($\sigma (t_x)$和$\sigma (t_y)$应趋近于0)或右下角点($\sigma (t_x)$和$\sigma (t_y)$应趋近于1)时，网络的预测值需要负无穷或者正无穷时才能取到，而这种很极端的值网络一般无法达到。为了解决这个问题，作者引入了一个大于1的缩放系数。

这样做可以扩大纵轴范围，换言之让函数更加”陡峭“。

数据增强Mosaic

为了扩充样本的丰富性，YOLOv4采用了很多数据增强的方法，比如下面这些：

• 随机缩放
• 翻转、旋转
• 图像扰动、加噪声、遮挡
• 改变亮度、对比对、饱和度、色调
• 随机裁剪（random crop）
• 随机擦除（random erase）
• Cutout
• MixUp
• CutMix
  此外，YOLOv4还提出一种独特的数据增强方式Mosaic，即将四张图片拼接成一张图片，如图所示：

正则化方式Dropblock

Yolov4中使用的Dropblock，其实和常见网络中的Dropout功能类似，也是缓解过拟合的一种正则化方式。
Dropblock在2018年提出，论文地址：https://arxiv.org/pdf/1810.12890.pdf

Dropout是随机的删减丢弃一些信息，然而随机丢弃，卷积层仍然可以从相邻的激活单元学习到相同的信息。
Dropblock则是整块(block)进行丢弃，两者的区别如下图所示：

锚框优化

在YOLOv3中使用anchor模板是：

目标类型	Anchors模板
小尺度	(10×13),(16×30),(33×23)
中尺度	(30×61),(62×45),(59×119)
大尺度	(116×90),(156×198),(373×326)

在YOLOv4中作者针对512×512尺度的图片，优化了anchor模板，尺寸如下：

目标类型	Anchors模板
小尺度	(12×16),(19×36),(40×28)
中尺度	(36×75),(76×55),(72×146)
大尺度	(142×110),(192×243),(459×401)

回归损失优化

目标检测任务的损失函数一般由Classificition Loss（分类损失函数）和Bounding Box Regeression Loss（回归损失函数）两部分构成。
Bounding Box Regeression的Loss近些年的发展过程是：Smooth L1 Loss-> IoU Loss（2016）-> GIoU Loss（2019）-> DIoU Loss（2020）->CIoU Loss（2020）

这些损失的主要区别是：

• IOU Loss：主要考虑检测框和目标框重叠面积。
• GIOU Loss：在IOU的基础上，解决边界框不重合时的问题。
• DIOU Loss：在IOU和GIOU的基础上，考虑边界框中心点距离的信息。
• CIOU Loss：在DIOU的基础上，考虑边界框宽高比的尺度信息。

首先看看起初提出的IOU损失有什么问题：

上图展示了IOU Loss的两个问题：
问题1：即状态1的情况，当预测框和目标框不相交时，IOU=0，无法反应两个框距离的远近，此时损失函数不可导，IOU Loss无法优化两个框不相交的情况。
问题2：即状态2和状态3的情况，当两个预测框大小相同，两个IOU也相同，IOU Loss无法区分两者相交情况的不同。

为了解决这两个问题，后续的一系列Loss对其进行改进，考虑更多因素，从而让定位更加准确。YOLOv4采用的是CIOU Loss，其计算公式如下：

其中v是衡量长宽比一致性的参数，定义为：

这样CIOU Loss综合考虑重叠面积、中心点距离，长宽比，解决了之前IOU Loss存在的问题。

总结

YOLOv4的内容很多，基本上都是将别人论文里提出的一些经验/技巧加入到YOLO网络中，并做了大量实验对比。上面只是一些比较经典的技巧，论文中还提到的内容还包括以下这些：

平衡正负样本的方法有：

• Focal loss
• OHEM(在线难分样本挖掘)

增大感受野技巧：

• SPP
• ASPP
• RFB

回归损失方面的改进：

• GIOU
• DIOU
• CIoU

注意力机制：

• Squeeze-and-Excitation (SE)
• Spatial Attention Module (SAM)

特征融合集成：

• FPN
• SFAM
• ASFF
• BiFPN （出自EfficientDet）

更好的激活函数：

• ReLU
• LReLU
• PReLU
• ReLU6
• SELU
• Swish
• hard-Swish

后处理非极大值抑制算法：

• soft-NMS
• DIoU NMS

YOLOv5

在YOLOv4刚提出来时，GitHub上就出现了YOLOv5仓库，但是其作者Glenn Jocher并没有发表相应论文，且YOLOv5至今仍在不断迭代新的内容。
代码仓库：https://github.com/ultralytics/yolov5

网络结构

网络结构主要由以下三部分组成[13]：

• Backbone: New CSP-Darknet53
• Neck: SPPF, New CSP-PAN
• Head: YOLOv3 Head

除此之外，仓库中n, s, m, l, x，n6, s6, m6, l6, x6共10种模型版本。我专业课程设计答辩时就被问道：yolov5s，yolov5m，yolov5l分别是用来检测小样本、中样本、大样本吗？错，这五个字母代表的是模型不同的宽度和深度。
在models/.yaml文件中，这几个模型的结构基本一样，不同的是depth_multiple和width_multiple这两个参数。
后面n6,s6那几个是6.0版本之后开始提出的，主要是应对更大分辨率的图片，对模型结构进行了调整。原先仍是32倍下采样，这几个是64倍下采样。

Neck部分由原先的SPP更新为SPPF，能够保证结果一致的情况下，让运算速度提升，其结构如下：

YOLOv4的PAN结构在YOLOv5中更换成CSP-PAN，添加了CSP结构。这个结构在YOLOv4的骨干部分也出现过。

头部部分，YOLOv3，v4，v5均保持一致。

性能方面，根据官方出示的实验结果，可以发现YOLOv5 l系列在速度和准确率上面平衡的不错，YOLOv5 x系列准确率更高但舍弃了部分速度。因此，看到YOLOv5l被用的最频繁。

数据增强

YOLOv5采用了更多数据增强方式，具体设置hyp.scratch.yaml这个文件中进行设置，各参数的意义注释如下：

# 优化器相关
lr0: 0.01  # initial learning rate (SGD=1E-2, Adam=1E-3)  初始学习率
lrf: 0.2  # final OneCycleLR learning rate (lr0 * lrf)  余弦退火超参数
momentum: 0.937  # SGD momentum/Adam beta1  学习率动量
weight_decay: 0.0005  # optimizer weight decay 5e-4 权重衰减系数

# 预热学习相关
warmup_epochs: 3.0  # warmup epochs (fractions ok) 预热学习epoch
warmup_momentum: 0.8  # warmup initial momentum 预热学习率动量
warmup_bias_lr: 0.1  # warmup initial bias lr 预热学习率

# 不同损失函数权重，以及其他损失函数相关内容
box: 0.05  # box loss gain giou损失的系数
cls: 0.5  # cls loss gain 分类损失的系数
cls_pw: 1.0  # cls BCELoss positive_weight 分类BCELoss中正样本的权重
obj: 1.0  # obj loss gain (scale with pixels) 有无物体损失的系数
obj_pw: 1.0  # obj BCELoss positive_weight 有无物体BCELoss中正样本的权重
iou_t: 0.20  # IoU training threshold 标签与anchors的iou阈值iou training threshold

# anchor锚框
anchor_t: 4.0  # anchor-multiple threshold 标签的长h宽w/anchor的长h_a宽w_a阈值, 即h/h_a, w/w_a都要在(1/4.0, 4.0)之间
# anchors: 3  # anchors per output layer (0 to ignore)

# 数据增强相关 - 色彩转换
fl_gamma: 0.0  # focal loss gamma (efficientDet default gamma=1.5)
hsv_h: 0.015  # image HSV-Hue augmentation (fraction) 色调
hsv_s: 0.7  # image HSV-Saturation augmentation (fraction) 饱和度
hsv_v: 0.4  # image HSV-Value augmentation (fraction) 明度
# 数据增强相关：旋转、平移、扭曲等
degrees: 0.0  # image rotation (+/- deg) 旋转角度
translate: 0.1  # image translation (+/- fraction) 水平和垂直平移
scale: 0.5  # image scale (+/- gain)  缩放
shear: 0.0  # image shear (+/- deg) 剪切
perspective: 0.0  # image perspective (+/- fraction), range 0-0.001  透视变换参数
# 数据增强相关 - 翻转
flipud: 0.0  # image flip up-down (probability)  上下翻转概率
fliplr: 0.5  # image flip left-right (probability) 左右翻转概率
# 数据增强相关 - mosaic/mixup
mosaic: 1.0  # image mosaic (probability) 进行mosaic的概率(一幅图像融合四幅图像)
mixup: 0.0  # image mixup (probability) 进行mixup的概率(对两个样本-标签数据对按比例相加后生成新的样本-标签数据)

数据增强中最后两个mosaic和mixup可能一下子没看明白，mosaic其实就是YOLOv4中的那种数据增强方案，mixup和cutmix差不多，看到一幅图[13]画的比较直观，放置如下：

这样数据增强的好处是，可以加强小样本的检测效果。

自适应锚框计算

在YOLOv3、YOLOv4中，训练不同的数据集时，计算初始锚框的值是通过单独的K-means聚类得到，在YOLOv5中，这个功能被嵌入到训练过程中，每次训练时，自适应的计算不同训练集中的最佳锚框值。
在train.py中，有个noautoanchor参数可用来控制是否开启自适应锚框计算，默认是开启状态，如果想要关闭，可以设为False。

自适应图片缩放

因为YOLO需要下采样32倍，因此输入图片通常为32的倍数，比如416×416，608×608。对于不同长宽的原始图片，通常采用的方式是将原始图片统一缩放到一个标准尺寸，比如这样：

这里我初看时产生了一个疑问：为什么不直接Resize进行缩放呢？因为直接Resize的后果是图片会被拉伸变形，这样检测出的框就是不准确的。因此缩放填充必须等比例的缩放，多余部分用黑边(图示是黑色，实际是灰色)填充。
但是，如果黑边较多，则存在信息冗余，影响推理速度。于是YOLOv5代码中datasets.py的letterbox函数中进行了修改，对原始图像自适应的添加最少的黑边。

首先要明确的是，YOLOv5不要求输入必须是正方形图片，只需要满足长宽均是32的倍数即可。因此，可以先通过计算，得到一个较小的缩放系数，然后原始长宽