3、YOLOv5详解：网络架构、CSPDarknet骨干、PANet颈部、损失函数

YOLOv5 这个版本，说实话，是我个人在实际项目中用得最多的一个系列。它不像 v4 那样有那么多复杂的调参技巧，也不像 v8 那样把一切都封装得严严实实。v5 的代码结构非常清晰，你打开它的源码，基本上能顺着把整个检测流程捋下来。

今天我们就来拆解一下它的核心。说白了，就是三块：骨干网络（Backbone）、颈部（Neck）和头部（Head）。我们重点讲前两个，以及它们背后的损失函数设计。

3.1 整体架构：一个清晰的流水线

YOLOv5 的整体架构，你可以想象成一条流水线：

1. 输入端：图片进来，先做 Mosaic 数据增强和自适应锚框计算。
2. Backbone：CSPDarknet53 结构，负责提取特征。
3. Neck：PANet 结构，负责融合不同尺度的特征。
4. Head：在融合后的特征图上做分类和回归。

嗯，这里要注意，v5 的 Head 其实和 v3 很像，都是基于锚框的。但前面的 Backbone 和 Neck 做了大改。

下面这张图，是我根据源码梳理出来的结构流程，你可以对照着看：

3.2 CSPDarknet53：骨干网络的秘密

YOLOv5 的骨干网络叫 CSPDarknet53。你可能会问，这和 Darknet53 有什么区别？

区别就在于 CSP（Cross Stage Partial） 结构。我刚开始看的时候，觉得这玩意儿挺玄乎的。后来自己动手复现了一遍，发现它的思路其实很朴素：

• 传统的残差块：输入经过卷积，然后和原始输入相加。这能解决梯度消失问题。
• CSP 结构：把输入的特征图在通道维度上分成两部分。一部分走正常的残差块计算，另一部分直接拼接到最后。这样做的好处是，梯度在反向传播时，有一条更短的路径可以直接流回前面，避免了重复计算。

另外，v5 在 Backbone 的最后加了一个 SPPF（Spatial Pyramid Pooling Fast） 模块。它用三个串联的 5x5 最大池化，替代了原来 v4 中并行的不同尺寸池化核。效果几乎一样，但计算量小了很多。

3.3 PANet 颈部：让信息双向流动

Neck 部分，YOLOv5 用的是 PANet（Path Aggregation Network）。你可能会问，为什么不用 FPN？

FPN 是自顶向下的，它把高层的语义信息传递到低层。但问题是，低层的定位信息很难传递到高层。PANet 在 FPN 的基础上，增加了一条自底向上的路径。

说白了，就是：

• FPN 路径：把 20x20 的特征图上采样，和 40x40 的拼接，再上采样和 80x80 的拼接。这能让小目标检测头也看到大目标的语义信息。
• PAN 路径：把 80x80 的特征图下采样，和 40x40 的拼接，再下采样和 20x20 的拼接。这能让大目标检测头也看到小目标的细节信息。

我记得有一次做交通标志检测，标志牌有大有小。只用 FPN 的时候，大标志牌检测没问题，但小标志牌经常漏检。换成 PANet 之后，小标志牌的召回率提升了 8%。

3.4 损失函数：不只是算个差值

YOLOv5 的损失函数由三部分组成：

损失项	计算方法	作用
分类损失	BCEWithLogitsLoss	判断每个锚框属于哪个类别
定位损失	CIoU Loss	计算预测框和真实框的差异
置信度损失	BCEWithLogitsLoss	判断锚框内是否有物体

这里我想重点说一下 CIoU Loss。它比原始的 IoU Loss 多了两个惩罚项：

• 中心点距离：惩罚预测框和真实框中心点不重合的情况。
• 宽高比一致性：惩罚预测框和真实框的形状差异。

你想想看，如果只用 IoU，两个框完全不重叠时，梯度就是 0，模型根本不知道怎么优化。CIoU 解决了这个问题，只要中心点没对齐，就有梯度信号。

在代码层面，YOLOv5 的损失计算还有一个细节：正负样本匹配策略。它不像 v3 那样只取 IoU 最大的锚框作为正样本，而是采用了 跨网格匹配：

# 伪代码示意：YOLOv5 的正样本匹配
# 1. 计算每个真实框和所有锚框的宽高比
# 2. 如果宽高比在 [1/4, 4] 范围内，认为该锚框匹配
# 3. 对于匹配的锚框，不仅它所在的网格负责预测
#    它相邻的两个网格也负责预测（跨网格）
# 4. 这样每个真实框大约有 3-9 个正样本

这样做的好处是，正样本数量大大增加，训练收敛更快。我刚开始用 v5 的时候，发现它训练 100 个 epoch 的效果，比 v3 训练 200 个 epoch 还好，就是这个原因。