📚 课程目录第2章 YOLOv5基础架构

2. YOLOv5基础架构

YOLOv5 的结构，说白了就是三个大模块串在一起：Backbone（骨干网络）负责提特征，Neck（颈部）负责融合特征，Head（头部）负责输出预测。我刚开始接触时也觉得这分类有点抽象，但拆开看其实很清晰。

  一句话总结：Backbone 把图片变成特征图，Neck 把不同尺度的特征图揉在一起，Head 从揉好的特征图里读出框和类别。

2.1 三大组件总览

先看一张整体流程图，我习惯把它叫做“YOLOv5 的流水线”：

你看，数据从左到右流一遍，就完成了从图片到检测结果的转换。每个组件都有自己的活，谁也替不了谁。

2.2 Backbone：CSPDarknet 结构

Backbone 用的是 CSPDarknet，这是 YOLOv4 就开始用的结构，v5 做了些优化。核心思想就两个：跨阶段局部连接（CSP）和残差学习。

2.2.1 CSP 模块

CSP 的全称是 Cross Stage Partial，说白了就是把特征图分成两路：一路正常走卷积，另一路直接拼过来。这样做的好处很明显——减少计算量，同时梯度能更直接地回传。

我的经验：我在做嵌入式部署时，CSP 结构帮了大忙。同样的精度下，它的计算量比普通残差网络少 20% 左右，这对边缘设备来说太重要了。

一个标准的 CSP 模块内部长这样：

class CSP(nn.Module):
    def __init__(self, c1, c2, n=1, shortcut=True, e=0.5):
        super().__init__()
        c_ = int(c2 * e)  # 隐藏通道数
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c1, c_, 1, 1)
        self.cv3 = Conv(2 * c_, c2, 1)
        self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut) for _ in range(n)))

    def forward(self, x):
        return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), dim=1))

注意看 forward 里的 cat 操作——这就是 CSP 的精髓：一路经过多个 Bottleneck，另一路直接 shortcut，最后拼起来再卷积融合。

2.2.2 SPP 模块

在 Backbone 的最后，YOLOv5 加了一个 SPP（Spatial Pyramid Pooling）模块。它的作用是用不同大小的池化核提取多尺度信息，让网络对目标尺寸变化更鲁棒。

池化核大小	感受野	作用
5 × 5	局部	捕捉小目标细节
9 × 9	中等	平衡局部和全局
13 × 13	全局	捕捉大目标上下文

注意：SPP 模块只加在 Backbone 最后一层，不是每层都加。加多了反而会丢失细节信息，我刚开始调参时就犯过这个错。

2.3 Focus 层的作用与替代

Focus 层是 YOLOv5 早期版本的一个特色设计。它的原理很简单：把输入图片每隔一个像素取一个值，拼成 4 张下采样后的特征图，再拼在一起。

举个例子，输入是 640×640×3 的图片，经过 Focus 层后变成 320×320×12。相当于把空间信息压缩到了通道维度上。

# Focus 层的核心操作
def forward(self, x):
    # x shape: [B, 3, 640, 640]
    x = torch.cat([
        x[..., 0::2, 0::2],  # 左上
        x[..., 1::2, 0::2],  # 左下
        x[..., 0::2, 1::2],  # 右上
        x[..., 1::2, 1::2],  # 右下
    ], dim=1)
    # x shape: [B, 12, 320, 320]
    return self.conv(x)

但后来大家发现，Focus 层其实可以用一个 6×6 的步长为 2 的卷积来替代。效果差不多，但实现更简洁。YOLOv5 v6.0 之后，官方默认就把 Focus 换成了 Conv 层。

  我的建议：如果你是从头训练，直接用 Conv 替代 Focus 就行。但如果你在加载旧版预训练权重，记得检查一下模型定义是否匹配。

2.4 Neck：FPN + PAN 结构

Neck 部分用的是 FPN（特征金字塔） + PAN（路径聚合网络）的组合。FPN 从上往下传语义信息，PAN 从下往上传递位置信息，两者互补。

我画了一张图，帮你理解这个双向融合的过程：

你看，FPN 把深层的语义信息往上采样，和浅层特征融合；PAN 又把浅层的位置信息往下采样，和深层特征融合。这样每一层都同时拥有了语义和位置信息。

2.5 Head：检测头设计

Head 部分相对简单。YOLOv5 有 3 个检测头，分别对应大、中、小目标。每个检测头就是一个 1×1 卷积，输出通道数 = (类别数 + 5) × 每个网格的 anchor 数。

这里的 5 代表：x, y, w, h, 置信度。加上类别数，就是每个 anchor 的预测向量长度。

检测头	特征图大小	负责目标	Anchor 尺寸
Head 1	80 × 80	小目标	小 anchor
Head 2	40 × 40	中目标	中 anchor
Head 3	20 × 20	大目标	大 anchor

避坑指南：我曾经在训练小目标数据集时，发现小目标检测效果很差。后来检查发现是 anchor 尺寸没调，默认的 anchor 对小目标太大了。记得用 k-means 重新聚类一下 anchor。

2.6 整体结构总结

最后，我用一个表格把 YOLOv5 的完整结构串起来：

组件	核心模块	输入 → 输出	关键参数
Backbone	CSPDarknet + SPP	640×640×3 → 3 层特征图	depth_multiple, width_multiple
Neck	FPN + PAN	3 层特征图 → 3 层融合特征	上采样方式, CSP 模块数
Head	Detect 模块	3 层融合特征 → 预测结果	anchor 数, 类别数

嗯，到这里 YOLOv5 的基础架构就讲完了。你可能会问，为什么 v5 能成为工业界的“万金油”？说白了就是这三个组件配合得好——Backbone 够轻量，Neck 融合得充分，Head 简单高效。后面讲 v6 到 v10 时，你会发现很多改进都是在这三个组件上做文章。