深度学习入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。 这一篇文章属于是对YOLOv5系列的一个整理汇总。 文章图片 目录 一、输入端分析 二、整体网络结构图以及总括介绍 三、Backbone 四、Neck 五、Head 六、代码实现网络具体构建 七、利用YOLOv5训练自己的数据集 一、输入端分析 【YOLOv5|YOLOv5网络结构+代码+应用详解|CSDN创作打卡】YOLOv5输入端（一）—— Mosaic数据增强|CSDN创作打卡_tt丫的博客-CSDN博客 YOLOv5输入端（二）|CSDN创作打卡_tt丫的博客-CSDN博客（自适应锚框计算+自适应图片缩放） 二、整体网络结构图以及总括介绍 网络结构图如下图所示： （其中CBL的标注都是有关输出的） 在这里感谢博友352（兄弟你前面那个符号是啥我这边显示不出来，不好意思）的提醒 v5.0版本 文章图片 目前更新到v6.0版本 文章图片 （这里比较大的改动是：用CBL代替 Focus 层，主要是为了方便模型导出 ） YOLOv5网络结构分为3个部分，Backbone（主干部分），Neck和Head。 Backbone作用：特征提取 Neck作用：对特征进行一波混合与组合，并且把这些特征传递给预测层 Head作用：进行最终的预测输出 三、Backbone Backbone主要由Focus，CBL，BottleneckCSP（/C3）以及SPP等组成。 Focus作用：进行一个下采样，并且减少计算量加快网络速度。（v5.0） CBL作用：（就是我们常说的卷积啦，虽然这里的卷积不是直接意义上的nn.Conv2d。）获取特征。 有关Focus和CBL的分析可以康康博主之前写的博客 YOLOv5中的Focus层详解_tt丫的博客-CSDN博客 BottleneckCSP（/C3）作用：残差结构，学习更多的特征。 有关BottleneckCSP（/C3）的分析可以康康博主之前写的博客 YOLOv5中的CSP结构_tt丫的博客-CSDN博客 SPP/SPPF作用：空间金字塔池化，将前面得到的任意大小的特征图转换成固定大小的特征向量。 （v5.0是SPP,v6.0是SPPF） 有关SPP/SPPF的分析可以康康博主之前写的博客 YOLOv5中的SPP/SPPF结构详解_tt丫的博客-CSDN博客_spp yolov5 四、Neck Neck说白了就是FPN+PAN结构的设计。 关于FPN和PAN可以看博主之前写的文章 深度学习中的FPN详解_tt丫的博客-CSDN博客 深度学习之PAN详解_tt丫的博客-CSDN博客 （这里v5.0和v6.0的区别请对照上图，懒得改了嘻嘻） 文章图片 文章图片 五、Head 我理解的Head就是输出端。如果单从网络结构上来说的话，他就是对Neck出来的3个输出分别进行卷积操作。然而Head的主要部分在于它的输出推理及处理。具体的可以看博主之前的文章，里面有关于损失函数，NMS以及源码的解析。 YOLOv5的输出端详解_tt丫的博客-CSDN博客 六、代码实现网络具体构建 详见YOLOv5的模型构建源码详解|CSDN创作打卡_tt丫的博客-CSDN博客 七、利用YOLOv5训练自己的数据集 YOLOv5训练自己的数据集详解_tt丫的博客-CSDN博客 欢迎大家在评论区批评指正，谢谢大家~