目标检测YOLOv5笔记 (1)
YOLOv5虽然貌似没有得到作者的认同，网络结构上创新似乎也不多，网上对其是否配上这个名称更是一直有非议，但我们在一些应用场景中测试YOLOv5的检测效果，比起V3，V4还是有推理速度更快，检测框更贴合目标的特点。
而且YOLOv5还在继续迭代，所以还是有学习意义的。
网络由四个主要部分组成：
- Input 输入层需要对图形进行处理，在训练时需要对数据集计算初始设定长宽的锚框。
- Backbone 在不同图像细粒度上聚合并形成图像特征的卷积神经网络。
- Neck 一系列混合和组合图像特征的网络层，并将图像特征传递到预测层。
- Output 对图像特征进行预测，生成边界框和并预测类别。
对于YOLOV5，无论是s，m，l还是x 这四部分都是一致。唯一的区别在与模型的深度和宽度设置。