yolov5 VS yoloX VS yolov8-Toy模板网

这篇具有很好参考价值的文章主要介绍了yolov5 VS yoloX VS yolov8。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

YOLOv5-6.0版本的Backbone主要分为Conv模块、CSPDarkNet53（C3）和SPPF模块。

一、yolov5

CSPNet被提出的主要目的是为了保证在模型检测和识别精度没有下降的情况下，减少计算量，提高推理速度。它的主要思想是通过分割梯度流，使梯度流通过不同的网络路径传播。通过拼接和过渡等操作，从而实现更丰富的梯度组合信息。

CSP组件（5.0版本）

C3组件（6.0版本）

相对CSP，C3结构经过残差模组Resunit后少了一个卷积层，直接连到了Concat，正好只有3个CBS，或者说只有3个卷积，可能才叫C3（CSP有4个），并且C3中的残差模组，有的地方也叫BottleNeck1(CSP中的残差模组也叫BottleNeck)

通过C3替换CSP，可以起到精简网络结构，减少计算量，降低模型推理时间的作用。作者在项目的updated result里有说明，这样操作在YOLOV5X上模型参数量可以从89M下降到87.7M，推理时间从6.9ms下降到6.0ms，mAP从49.2提升到50.1。

C3模块不会改变通道数

class C3(nn.Module):
    # CSP Bottleneck with 3 convolutions
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion
        super().__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c1, c_, 1, 1)
        self.cv3 = Conv(2 * c_, c2, 1)  # optional act=FReLU(c2)
        self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)))
 
    def forward(self, x):
        return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))

二、yolox

就是C3

三、yolov8

“依旧是CSP的思想，不过C3模块被替换成了C2f模块，实现了进一步的轻量化”

这里的轻量化有歧义，模型参数确实变多了

“

选用梯度流更丰富的C2f结构替换了YOLOv5中的C3结构，为了轻量化也缩减了骨干网络中最大stage的blocks数，同时不同缩放因子N/S/M/L/X的模型不再是共用一套模型参数，M/L/X大模型还缩减了最后一个stage的输出通道数，进一步减少参数量和计算量。

”

详细看yolov8s.yaml

梯度流分支的概念：

可以是任何之前你学习过的模块，比如，美团提出的YOLOv6中就是用来重参模块RepVGGBlock来替换BottleNeck Block来作为主要的梯度流分支，而百度提出的PP-YOLOE则是使用了RepResNet-Block来替换BottleNeck Block来作为主要的梯度流分支。而YOLOv7则是使用了ELAN Block来替换BottleNeck Block来作为主要的梯度流分支。