yolov5 FPN

YOLOv5中的FPN（Feature Pyramid Network）是一种用于目标检测的特征金字塔网络。它通过在不同层次的特征图上建立金字塔结构，将低级特征与高级特征进行融合，从而提供了多尺度的特征表示，并且能够更好地捕捉目标在不同尺度下的特征。 FPN的主要作用是解决目标在不同尺度下的大小变化问题。在YOLOv5中，FPN被用于将不同层次的特征图进行融合，使得网络能够同时对小目标和大目标进行有效的检测。融合后的特征图能够提供更加丰富的语义信息，使得网络能够更好地理解图像中的目标。 在YOLOv5中，FPN的具体实现是通过上采样和下采样操作来实现的。上采样操作将低级特征图的分辨率增加，使其与高级特征图具有相同的分辨率；而下采样操作则将高级特征图的分辨率降低，使其与低级特征图具有相同的分辨率。通过这样的操作，网络能够在不同尺度下获取到更多的特征信息，从而提高目标检测的准确性。

### YOLOv5中的特征金字塔网络(FPN)和路径聚合网络(PAN) #### 特征金字塔网络 (FPN) 在目标检测领域，FPN 是一种用于多尺度特征融合的技术。通过自上而下的路径以及横向连接的方式增强浅层特征图的信息量。对于YOLOv5而言，在早期版本中引入了改进版的FPN结构[^1]。 ```python def build_fpn(features): P5 = ConvBlock(features[-1], filters=256, kernel_size=(1, 1)) P4 = tf.image.resize(P5, size=[tf.shape(features[-2])[1], tf.shape(features[-2])[2]]) P4 = Add()([ConvBlock(features[-2], filters=256, kernel_size=(1, 1)), P4]) P3 = tf.image.resize(P4, size=[tf.shape(features[-3])[1], tf.shape(features[-3])[2]]) P3 = Add()([ConvBlock(features[-3], filters=256, kernel_size=(1, 1)), P3]) return [P3, P4, P5] ``` 此代码片段展示了构建一个简单的FPN模块的过程，其中`features`列表包含了不同层次提取到的特征图。这里使用卷积操作调整通道数并进行上采样以匹配各层尺寸，最后利用加法完成跨层信息传递[^2]。 #### 路径聚合网络 (PAN) 为了进一步提升模型性能,YOLOv5采用了更高效的PAN作为颈部(neck)，它不仅继承了FPN的优点还增加了自下而上的强化通路。这种双向流动机制使得低级语义细节能够更好地传播给高级表示，从而提高了小物体识别精度。 ```python def build_pan(fpn_outs): # Top-down pathway with lateral connections. fpn_p3, fpn_p4, fpn_p5 = fpn_outs pan_p5_upsampled = UpSampling2D()(fpn_p5) pan_p4 = Concatenate(axis=-1)([pan_p5_upsampled, fpn_p4]) pan_p4 = ConvBlock(pan_p4, filters=256, kernel_size=(3, 3)) pan_p4_upsampled = UpSampling2D()(pan_p4) pan_p3 = Concatenate(axis=-1)([pan_p4_upsampled, fpn_p3]) pan_p3 = ConvBlock(pan_p3, filters=256, kernel_size=(3, 3)) # Bottom-up pathway to refine high-level features using low-level information. pan_n3_downsampled = MaxPooling2D(pool_size=(2, 2))(pan_p3) pan_n4 = Concatenate(axis=-1)([pan_n3_downsampled, pan_p4]) pan_n4 = ConvBlock(pan_n4, filters=256, kernel_size=(3, 3)) pan_n4_downsampled = MaxPooling2D(pool_size=(2, 2))(pan_n4) pan_n5 = Concatenate(axis=-1)([pan_n4_downsampled, fpn_p5]) pan_n5 = ConvBlock(pan_n5, filters=256, kernel_size=(3, 3)) return [pan_p3, pan_n4, pan_n5] ``` 上述代码实现了完整的PAN架构，先是从顶层到底层依次处理得到初步加强后的特征图序列(`pan_p3`, `pan_p4`, `pan_p5`)；接着再反向逐层叠加更低级别的信息来优化最终输出的结果集(`pan_n3`, `pan_n4`, `pan_n5`)。这样的设计有效地促进了全局上下文感知能力的发展。