4、YOLOv5详解：网络结构（Backbone、Neck、Head）、CSPDarknet、SPP、PANet，以及训练技巧（数据增强、锚框）
YOLOv5 是目前工业界应用最广泛的目标检测模型之一，其工程化程度高、推理速度快、训练成本可控，且代码结构清晰。理解 YOLOv5 的网络结构是掌握多目标跟踪（MOT）的基础——因为 DeepSORT 等跟踪算法依赖检测器输出的目标框与特征。本章将深入拆解 YOLOv5 的 Backbone、Neck、Head 三大模块，重点剖析 CSPDarknet、SPP、PANet 的设计动机与作用，并系统讲解数据增强与锚框（Anchor）的训练技巧。通过本章学习，你将能够独立分析 YOLOv5 的配置文件（如 yolov5s.yaml），并理解每个参数对检测精度与速度的影响。
上图展示了 YOLOv5 的整体数据流：输入图像经过 Backbone 提取多尺度特征，Neck 进行特征融合，Head 输出检测结果。右侧列出了训练阶段的关键技巧，其中锚框的设定直接影响回归任务的难度。下面我们逐一深入。
4.1 Backbone：CSPDarknet53 的核心原理
核心原理：YOLOv5 的 Backbone 基于 CSPDarknet53 改进而来。CSP（Cross Stage Partial）结构的核心思想是将特征图按通道分为两部分：一部分经过密集的卷积块（Bottleneck），另一部分直接通过一个短接层（Shortcut）与卷积结果拼接。这种设计减少了重复梯度信息，降低了计算量，同时保持了丰富的梯度流。YOLOv5 使用 C3 模块替代了原版 CSPDarknet 中的 CBL（Conv+BN+LeakyReLU）堆叠，C3 内部包含 3 个标准卷积和 n 个 Bottleneck，结构更简洁。
操作流程：输入图像首先经过 Focus 模块（或 6×6 卷积）进行切片下采样，将 640×640×3 变为 320×320×12，再通过卷积得到 320×320×32。随后依次经过 4 个 C3 阶段，特征图尺寸逐步减半（160、80、40、20），通道数逐步增加（64、128、256、512）。在最后一个 C3 之后插入 SPP 模块，通过 1×1、5×5、9×9、13×13 的最大池化并联，再将结果拼接，有效扩大感受野。
| Backbone 阶段 | 输出尺寸 | 通道数 | 关键组件 |
|---|---|---|---|
| Focus / Stem | 320×320 | 32 | 切片 + 卷积 |
| C3 阶段 1 | 160×160 | 64 | C3 × 1 |
| C3 阶段 2 | 80×80 | 128 | C3 × 2 |
| C3 阶段 3 | 40×40 | 256 | C3 × 3 |
| C3 阶段 4 + SPP | 20×20 | 512 | C3 × 1 + SPP |
4.2 Neck：PANet 与 FPN 的双向融合
核心原理：Neck 部分采用 PANet（Path Aggregation Network）结构，在 FPN（Feature Pyramid Network）自顶向下传递语义信息的基础上，增加了一条自底向上的路径，将浅层的位置信息（边缘、纹理）与深层的语义信息（目标类别）充分融合。YOLOv5 在 PANet 中使用了 C3 模块替代原有的 P5 层，并去除了部分卷积，使得特征融合更高效。
判断方法：FPN 通过上采样将高层特征与低层特征拼接，而 PANet 额外增加了下采样路径，让低层特征也能直接影响到高层输出。这种双向融合对于多尺度目标检测至关重要——例如在行人检测中，大目标需要深层语义，小目标需要浅层纹理，PANet 同时满足两者。
# 以 yolov5s.yaml 中的 Neck 配置为例
head:
[[-1, 1, Conv, [512, 1, 1]], # 20×20 -> 20×20
[-1, 1, nn.Upsample, [None, 2, 'nearest']], # 上采样到 40×40
[[-1, 6], 1, Concat, [1]], # 与 Backbone P4 拼接
[-1, 3, C3, [512, False]], # C3 融合
[-1, 1, Conv, [256, 1, 1]], # 40×40 -> 40×40
[-1, 1, nn.Upsample, [None, 2, 'nearest']], # 上采样到 80×80
[[-1, 4], 1, Concat, [1]], # 与 Backbone P3 拼接
[-1, 3, C3, [256, False]], # C3 融合
[-1, 1, Conv, [256, 3, 2]], # 下采样到 40×40
[[-1, 14], 1, Concat, [1]], # 与 FPN 中间层拼接
[-1, 3, C3, [256, False]], # C3 融合
[-1, 1, Conv, [512, 3, 2]], # 下采样到 20×20
[[-1, 10], 1, Concat, [1]], # 与 FPN 顶层拼接
[-1, 3, C3, [512, False]], # C3 融合
]案例拆解：假设我们检测交通场景中的车辆与行人。车辆通常占据较大面积（对应 P5 特征图），行人较小（对应 P3 特征图）。FPN 让 P5 的语义信息传递到 P3，帮助识别“人”的类别；PANet 则让 P3 的纹理信息传递到 P5，帮助定位车辆边缘。这种双向融合使得同一模型在不同尺度上均表现稳定。
4.3 Head：Decoupled 检测头与输出解析
核心原理：YOLOv5 的 Head 采用解耦结构（Decoupled Head），将分类和回归任务分开。每个检测头包含两个分支：分类分支输出类别概率（使用 Sigmoid），回归分支输出边界框参数（中心点偏移、宽高缩放）和目标度（Objectness）。输出张量形状为 B × (5 + C) × 3 × H × W，其中 3 表示每个位置有 3 个锚框。
操作流程：在推理时，模型输出三个尺度的特征图（80×80、40×40、20×20），每个尺度对应不同大小的锚框。通过解码公式将偏移量转换为实际坐标：
# 解码公式（简化）
x_center = (grid_x + sigmoid(tx)) * stride
y_center = (grid_y + sigmoid(ty)) * stride
w = anchor_w * exp(tw)
h = anchor_h * exp(th)随后通过置信度阈值过滤低质量框，再执行 NMS（非极大值抑制）去除重叠框，最终输出检测结果。
4.4 训练技巧：数据增强与锚框优化
核心原理：YOLOv5 的训练技巧是其工程化优势的重要体现。数据增强方面，Mosaic 增强将 4 张训练图像随机缩放、裁剪后拼接为一张，极大丰富了目标尺度和背景多样性；MixUp 增强则按比例混合两张图像及其标签，提升模型鲁棒性。锚框方面，YOLOv5 在训练前会使用 K-Means 聚类算法在自定义数据集上重新计算锚框尺寸，以匹配真实目标的分布。
操作流程：训练时，默认开启 Mosaic 增强（概率 1.0），并在最后 10 个 epoch 关闭以稳定训练。HSV 色彩增强随机调整色相、饱和度、明度，模拟不同光照条件。锚框的自适应计算通过 kmeans_anchors.py 脚本完成，输入训练集标注文件，输出 9 组锚框尺寸，按面积从小到大排列，分别分配给 P3、P4、P5 检测头。
| 增强方法 | 参数设置 | 适用场景 | 注意事项 |
|---|---|---|---|
| Mosaic | 概率 1.0，最后 10 epoch 关闭 | 通用目标检测 | 小目标较多时效果显著 |
| MixUp | 概率 0.1~0.2 | 类别不平衡数据集 | 可能增加训练难度 |
| HSV 增强 | H: ±0.015, S: ±0.7, V: ±0.4 | 光照变化大的场景 | 避免过度饱和 |
| 随机平移/缩放 | 平移 ±0.2，缩放 ±0.5 | 目标位置偏移大的场景 | 需配合填充策略 |
案例拆解：某安防项目需要检测高空抛物（小目标），默认 COCO 锚框（最小 10×13）无法覆盖更小的目标。我们使用 python utils/autoanchor.py --data custom.yaml 重新聚类，得到最小锚框 4×5，最大 200×300。同时将 Mosaic 增强概率设为 1.0，并开启多尺度训练（随机缩放 0.5~1.5）。训练 100 个 epoch 后，小目标 AP 从 0.32 提升至 0.47，验证了锚框自适应与数据增强的有效性。