YOLOv5网络架构深度解析：以v6.0 P5模型为例

本文以YOLOv5的v6.0 P5模型为基础，详细解析其整体网络架构以及各个核心子模块的工作原理，为深入理解这一经典目标检测模型奠定坚实基础。

注：本文解析基于YOLOv5l，v6.0，P5版本。不同版本间的具体差异可参考相关资料。

主干网络Backbone

在梳理整个主干网络结构前，我们先对其中的关键子模块进行逐一剖析。

Focus与6x6卷积

在YOLOv5的早期版本中，主干网络起始部分采用了Focus结构（一种切片操作）来下采样并提取特征，其本质是将空间信息（宽和高）转换到通道维度。该操作包含三个步骤：

• 切片操作（slice）：将输入图像在宽和高方向上每隔一个像素采样，得到4个子特征图。
• 通道拼接：将4个子特征图在通道维度拼接，使通道数变为4倍。
• 卷积操作：对拼接后的特征图进行一次标准卷积。

以YOLOv5s为例，608x608x3的输入图像经Focus模块后，先变为304x304x12的特征图，再经过32个卷积核的1x1卷积，输出304x304x32的特征图。

其切片操作原理如下图所示（该操作与YOLOv2中的Reorg操作完全相同）：

Focus模块处理流程如下图所示：

然而，在YOLOv5后续版本（如v6.0之后）中，Focus结构被一个标准的6x6卷积核、步长为2的卷积层所取代。 这使得网络结构更加统一和简洁，减少了自定义模块。尽管Focus理论上能减少信息丢失，但经过精心设计的6x6卷积层同样能有效捕获相似的空间信息，且在GPU等硬件上，标准卷积通常得到了极佳的优化，实际推理速度可能更具优势。

激活函数

YOLOv5的主干网络普遍采用SiLU激活函数（亦称Swish函数）替代了早期版本常用的LeakyReLU。SiLU在0点附近更为平滑，有助于提升梯度流动和模型表达能力。

其表达式为：SiLU(x) = x * Sigmoid(x)。SiLU函数的计算可分解为两步：先进行Sigmoid变换，再将结果与原始输入逐元素相乘。

下图通过Netron查看YOLOv5 onnx文件，展示了主干网络起始部分卷积块中的SiLU计算流程（即act/Mul操作）：

需注意：YOLOv5不同版本使用的激活函数确有不同。早期版本（v1.0-v3.0）默认使用LeakyReLU，因此主干网络中多为CBL（Conv-BN-LeakyReLU）块；大约从v5.0版本开始，官方将默认激活函数全面切换为SiLU，CBL块也随之变为Conv-BN-SiLU块。这也是许多网络架构图仍显示使用CBL块的原因。

CSPLayer

与YOLOv4相同，YOLOv5在主干网络中也采用了CSP结构。其核心思想是将特征图在通道维度拆分为两部分，一部分进行复杂的卷积变换，另一部分直接短路连接，最后再将两部分结果合并。YOLOv5中使用的CSP块主要有两种类型：

• CSP1_X：用于主干网络，其卷积变换部分采用ResNet的残差块结构（即add=True的DarknetBottleneck）。
• CSP2_X：用于颈部网络，其卷积变换部分仅为两个连续的卷积块（即add=False的DarknetBottleneck）。

SPPFBottleneck

SPPF模块全称为Spatial Pyramid Pooling-Fast（快速空间金字塔池化），是传统SPP模块的优化版本。两者核心目标都是扩大感受野、融合多尺度上下文信息。

主要区别在于：传统SPP使用多个不同尺寸的大池化核（如5x5， 9x9， 13x13）对输入进行并行处理并拼接结果；而SPPF使用同一个5x5池化核进行串联、重复池化，再将各阶段结果拼接。

SPPF这种串联相同操作的方式在硬件上更易优化，计算速度更快，能在保持甚至提升模型性能的同时加速推理。

综上所述，在输入分辨率为640x640的情况下，YOLOv5主干网络最终会输出下采样倍率为8倍、16倍和32倍的三路特征图，供颈部网络进一步处理。

整个主干网络可总结为以下五个部分：

1. Stem Layer：即Focus模块（新版本中为6x6， stride=2的卷积层）。输入640x640x3，输出320x320x64。
2. Layer 1：包含1个步长为2的3x3卷积 + 3个连续的CSP1块。输出160x160x128。
3. Layer 2：包含1个步长为2的3x3卷积 + 6个连续的CSP1块。输出80x80x256（大尺寸特征图，送入颈部网络）。
4. Layer 3：包含1个步长为2的3x3卷积 + 9个连续的CSP1块。输出40x40x512（中尺寸特征图，送入颈部网络）。
5. Layer 4：包含1个步长为2的3x3卷积 + 3个连续的CSP1块 + 1个SPPF模块。输出20x20x1024（小尺寸特征图，送入颈部网络）。

颈部网络Neck

颈部网络是YOLOv5实现多尺度目标检测的核心，负责高效融合主干网络提取的多级特征，使模型能够同时检测不同大小的目标。其整体架构延续了YOLOv4的FPN+PAN双向结构，但引入了CSP2模块等改进，增强了特征融合能力与计算效率。

• FPN（自顶向下）：通过上采样将深层强语义特征与对应的浅层特征进行拼接（Concat），融合语义与细节信息。
• PAN（自底向上）：通过步长为2的卷积将融合后的特征图下采样，与更高层级的特征进行再次融合，精确定位信息得以传递。

检测头Head

检测头部分与前期版本变化不大。来自颈部网络的三路不同分辨率的特征图，分别经过独立的1x1卷积处理，最终输出对应尺度的检测结果张量。

YOLOv5模型的整体网络架构

结合以上对各子模块的解析，理解YOLOv5的整体网络架构图就更加清晰了：

参考资料

• 深入浅出Yolo系列之Yolov5核心基础知识完整讲解 - 知乎
• YOLOv5 詳細解讀. 前言 | by Steven Meng | Medium
• YOLOv5 原理和实现全解析 — MMYOLO 0.6.0 文档