企业官网建设流程全解析

如果你是第一次把 YOLOv5 跑通之后就急着去训练自己的数据集，那大概率和我当初一样：环境装了、代码 clone 了、训练也启动了，但对网络内部到底长什么样，基本是黑的。直到有一天我想换检测头、想剪枝、想弄懂为什么三个检测头输出通道都是 255 时，才被迫老老实实把结构从头到尾拆了一遍。这篇博文就是那次拆解的笔记，用文字版的"图解"尽量把从输入端到检测头的完整链路讲清楚。适合已经跑通 YOLOv5、但还没吃透结构的朋友，也适合接下来要做自定义识别、模型部署或者调参的人参考。

1. 先把YOLOv5的流水线画在脑子里

1.1 三个部件分工

YOLOv5 是单阶段目标检测网络，整条数据流可以粗略分成三段：Backbone 负责从原始图像里提特征，Neck 负责把不同尺度的特征做融合，Head 负责在融合后的特征图上输出框和类别。这个划分不是 YOLOv5 发明的，但 YOLOv5 把每段的实现都做得很工程化。

理解这段结构，最简单的方式是把它想成一条工厂流水线：Backbone 是原料粗加工车间，把 640×640 的彩色图一步步变成越来越抽象、越来越"薄"的特征图；Neck 是中间质检站，把不同车间的半成品拿过来交叉比对，确保小目标和大目标都有对应的特征信息；Head 是最终出货口，在三张不同尺寸的特征图上分别预测。

1.2 特征图尺寸变化（以YOLOv5s为例）

下面这张表是 YOLOv5s（v6.0 版本）Backbone 部分的特征图尺寸变化，我建议把这张表抄在笔记本上，后面看任何结构图都比对着看，会顺很多。

这里 P3、P4、P5 是后续网络里反复出现的代号，分别对应 8 倍、16 倍、32 倍下采样。P3 分辨率最高、感受野最小，负责找小目标；P5 分辨率最低、感受野最大，负责找大目标；P4 居中。

把主链路用字符画出来就是这样的，后面每一节都可以对着它看：

输入 640×640×3 │ ├─ Stem 6×6卷积(s=2) → 320×320×32 │ 3×3卷积(s=2) → 160×160×64 │ C3 → 160×160×64 │ 3×3卷积(s=2) → 80×80×128 │ C3 → 80×80×128 ─────────────→ P3 │ 3×3卷积(s=2) → 40×40×256 │ C3 → 40×40×256 ─────────────→ P4 │ 3×3卷积(s=2) → 20×20×512 │ C3 → 20×20×512 │ SPPF → 20×20×512 ───────────→ P5 │ ├─ Neck(PANet) │ P5 → 1×1卷积降维 → 2倍上采样 │ → 与P4拼接 → C3 → P4' │ P4' → 1×1卷积降维 → 2倍上采样 │ → 与P3拼接 → C3 → P3' │ P3' → 3×3卷积(s=2) → 与P4'拼接 → C3 → P4'' │ P4'' → 3×3卷积(s=2) → 与P5拼接 → C3 → P5'' │ └─ Head P3'(80×80) → 1×1卷积 → 输出 80×80×255 P4''(40×40) → 1×1卷积 → 输出 40×40×255 P5''(20×20) → 1×1卷积 → 输出 20×20×255

注意，这里写的是 COCO 的 80 类，所以每个尺度的输出通道是 255。换成你自己的数据集，这个数字会变，具体怎么算在第 5 节讲。

1.3 怎么画出自己的结构图

想看图不一定要去网上找别人画的，自己动手最快。YOLOv5 的模型定义都在models/yolo.py和models/common.py里，结构本身写在models/yolov5s.yaml。加载模型后直接打印，就能看到完整的层列表：

import torch from models.yolo import DetectionModel model = DetectionModel('yolov5s.yaml', ch=3, nc=80) print(model)

如果想可视化，推荐两个方式：一是把模型导出成 ONNX 后用 Netron 打开，图形化界面看每个张量的流向非常直观；二是在代码里调用torchviz生成计算图。我个人的习惯是导出 ONNX + Netron，因为可以看到每个中间层的输出形状，排查"维度对不上"这类问题特别快。

2. 输入端的设计：Mosaic、自适应锚框和超参数

很多人以为结构分析只需要看 Backbone 到 Head，其实 YOLOv5 的输入端设计对最终精度影响非常大，而且这部分同样写在结构定义和训练策略里。

2.1 Mosaic增强

Mosaic 的思路很简单：每次训练读 4 张图，经过随机缩放、裁剪、拼接后合成一张 640×640 的新图，相当于在一个 batch 里同时看到了 4 张图的上下文。这样做的好处有两个：第一，小目标样本变多了，因为缩放会让很多目标在拼接图里变小；第二，相当于隐式增大了 batch size，BatchNorm 的统计量一次能看到 4 张图的分布，训练更稳定。

在 YOLOv5 的配置里，Mosaic 不是全程开的。默认配置会在训练的最后 10 个 epoch 关闭，因为拼接图会导致目标分布失真，最后阶段需要回到真实分布上微调。很多人不知道这点，总疑惑最后几轮 loss 为什么波动变大，其实就是这个开关在切换。

2.2 自适应锚框

锚框是检测头预测的基础。YOLOv5 默认的锚框是针对 COCO 数据集算出来的三组框，分别对应 P3、P4、P5 三个尺度。如果你换了一个完全不同的数据集，比如水果识别或车牌识别，目标宽高比和 COCO 差异很大，默认锚框可能不是最优的。

官方仓库提供了utils/autoanchor.py，训练时会自动检查锚框质量。它会计算一个 Best Possible Recall（BPR），如果 BPR < 0.98，就会提示你重新计算锚框。所以训练自己的数据集时，第一次跑训练命令看到类似 "Autoanchor: 10.1 anchors/target, 0.997 Best Possible Recall (BPR)" 的输出，说明锚框还算合适；如果 BPR 很低，建议先跑一下重算脚本，而不是直接开训。

2.3 超参数文件中值得注意的参数

YOLOv5 把训练超参数独立放在data/hyps/hyp.scratch-low.yaml里。这些参数不直接影响网络结构，但对训练过程和最终精度的影响不亚于结构本身。

默认值不一定适合所有场景。比如车牌识别里车牌通常长宽比很大，翻转增强可以保留，但垂直方向的角度增强可能引入过多语义错误的样本，这时调小degrees会更稳。超参数的调整是另一个大话题，这里先记住一个原则：结构决定了网络能力的上限，超参数决定你能多接近这个上限。

3. Backbone拆解：Focus、C3、SPPF各自的算盘

Backbone 是 YOLOv5 最核心的部分，早期版本里有 Focus 模块，C3 和 SPPF 则一直保留。这三个模块的源码都不长，但每个都有明确的设计意图。

3.1 Focus切片

在 v5.0 及以前，YOLOv5 的第一个模块是 Focus。它对输入图做切片：把一张 640×640×3 的图，按像素位置的奇偶性切成 4 张 320×320×3 的子图，再在通道维度拼成 320×320×12，最后过一层 3×3 卷积，得到 320×320×32。

这么做的核心目的是降计算量。传统做法是直接用步长为 2 的卷积下采样，而 Focus 通过切片先把空间分辨率降一半，再做卷积时，每个卷积核只需要处理更小的特征图。从感受野角度看，Focus + 3×3 卷积的效果和一层 6×6 步长 2 的卷积非常接近，但工程实现上更灵活，速度也更快。

v6.0 之后官方把 Focus 换成了一层 6×6 步长 2 的普通卷积，理由是这样做对 ONNX、TensorRT、CoreML 等部署框架更友好，避免了切片操作在某些硬件上带来的额外开销。所以你在不同版本的 YOLOv5 里看到的第一个模块可能不一样，这不是结构错了，是版本差异。后面部署到 Jetson Nano 这类设备时，我更推荐使用 v6.0 之后的版本，少一层特殊算子，转 TensorRT 时能少踩很多坑。

3.2 C3模块

C3 是 YOLOv5 里出现次数最多的模块，Backbone 和 Neck 里到处都是。它源自 CSPNet 的思想，核心就是一句话：把特征图在通道维度分成两路，一路走卷积和残差块，另一路直接做 1×1 卷积，最后把两路拼回去，再用 1×1 卷积融合。

为什么要这样分路？因为在传统残差网络里，梯度在反向传播时会在很多层之间重复传递，存在大量冗余计算。CSP 把一部分特征直接"抄近道"送到后面，让梯度有更短的传播路径，同时减少重复计算。实测效果是：同样计算量下，CSP 结构能获得更好的精度，训练时显存占用也更低。

C3 内部有一个可选的shortcut参数。Backbone 里的 C3 默认开残差，因为深层网络需要残差来稳定梯度；Neck 里的 C3 默认关残差，因为 Neck 结构本身不深，没必要多一条跳连，省一点算力是一点。这个细节在models/yolov5s.yaml里能直接看到，C3 的参数比普通 Conv 多一个False。

3.3 SPPF

SPPF 是 SPP 的快速版。空间金字塔池化的本意是用不同尺寸的池化核去提取多尺度特征，YOLOv5 靠三个并行的 5×5、9×9、13×13 最大池化做到这一点。SPPF 换了一种等价实现：把三个 5×5 最大池化串起来，每池化一次就把结果拼接一次。

这里的关键是池化感受野的叠加规律：两个 5×5 池化串联，等效感受野是 9×9；三个串联就是 13×13。所以 SPPF 用三个小池化核，等效拿到了和 SPP 完全一样的三档感受野，但并行变串行后计算量更小、结构更规整，在 GPU 上跑起来更快。

代码里 SPPF 也就几行：

class SPPF(nn.Module): def __init__(self, c1, c2, k=5): super().__init__() c_ = c1 // 2 self.cv1 = Conv(c1, c_, 1, 1) self.cv2 = Conv(c_ * 4, c2, 1, 1) self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2) def forward(self, x): x = self.cv1(x) y1 = self.m(x) y2 = self.m(y1) y3 = self.m(y2) return self.cv2(torch.cat([x, y1, y2, y3], 1))

注意padding = k // 2，当 k=5 时 pad=2，保证池化不改变特征图尺寸。如果你自己改 SPPF 的池化核大小，这个 padding 一定要同步改，否则后面所有 concat 维度都会错位。

4. Neck：自顶向下和自底向上的两次握手

Neck 是 YOLOv5 结构里最容易看晕的部分，因为它有两条路径，分别是自顶向下和自底向上，组合起来叫 PANet。

4.1 FPN上半程

先看自顶向下这条路径。流程是：SPPF 输出的 P5（20×20）先经过 1×1 卷积把通道降下来，然后 2 倍上采样到 40×40，和 Backbone 里 C3 输出的 P4 拼接，再过一个 C3 融合，得到新的 P4'。类似地，P4' 再上采样到 80×80，和 P3 拼接融合，得到 P3'。

这条路径解决什么问题？低层的高分辨率特征图（P3、P4）含有丰富的空间细节，但语义信息弱；高层的 P5 语义强，但空间分辨率低。FPN 的自顶向下路径相当于把高层的语义信息"分发"给低层，让低层特征既保留细节，又具备语义判别能力。

4.2 PAN下半程

但光有 FPN 不够。自顶向下路径在传递语义时，位置信息会逐渐丢失。PANet 补了自底向上这条路径：P3' 经过 3×3 步长 2 的卷积降到 40×40，和 P4' 拼接、融合得到 P4''；P4'' 再降到 20×20，和 P5 拼接、融合得到 P5''。

用一句话概括：FPN 让高层语义往下走，PAN 让底层位置信息往上走，两者在 Neck 里"握手"之后，三个尺度的输出同时拥有较强的语义和空间信息。这也是 YOLOv5 小目标效果比早期 YOLO 系列好的重要原因之一。

我在自己的图上画这两条路径时，习惯用不同颜色笔画箭头：自顶向下画蓝色，自底向上画红色，拼接点画成圆圈。画完一眼就能看清哪些层是"信息汇合点"，调试特征可视化时基本每次都对着汇合点后面的层看。

4.3 为什么neck里的C3不接残差

很多人第一次看yolov5s.yaml会疑惑，为什么 Backbone 的 C3 后面参数是[128]，Neck 的 C3 后面却是[128, False]。这个False就是前面说的shortcut开关。

Neck 里的模块很浅，一条路径上通常只有两三个 C3，梯度过深的顾虑不存在。关掉残差后，每个 C3 内部就是一个直接的 1×1 → 3×3 → 1×1 主通路，省去了捷径分支的加法和额外内存，速度更快，实测对精度基本无影响。这个细节说明 YOLOv5 在结构设计上很抠计算量，该省的地方绝不手软。

5. Detect Head解读：255这个数字从哪来

5.1 三个尺度的分工

Detect Head 接收 Neck 输出的三个特征图：P3'（80×80）、P4''（40×40）、P5''（20×20）。80×80 的每个格子对应原图 640×640 上的 8×8 像素区域，适合检测小目标；20×20 的每个格子对应 32×32 的区域，适合检测大目标。

每个格子上预设 3 个锚框，每个锚框的输出是一个向量：4 个框坐标（中心点 x、y 和宽高 w、h）、1 个目标置信度、以及每个类别的概率。所以 COCO 的 80 类，单个锚框的输出维度是 4 + 1 + 80 = 85，3 个锚框就是 85 × 3 = 255。这就是三个检测头输出通道都是 255 的原因。

如果你换成自定义数据集，比如水果识别 nc=6，检测头最后的通道就是 3 × (4 + 1 + 6) = 33；车牌识别 nc=1，就是 3 × 6 = 18。模型配置文件yolov5s.yaml里 Detect 层的输出通道不需要手写，它根据nc和anchors自动算。

5.2 目标匹配：anchor与gt怎么对齐

有了预测，训练时怎么把真实框分配给某个锚框？YOLOv5 的匹配规则大致是：对每个真实框，计算它和所有尺度锚框的宽高比，如果最大比值小于阈值anchor_t（默认 4.0），就认为这个锚框"够格"负责预测这个目标。匹配上的锚框要承担坐标回归、置信度和分类的学习任务，没匹配上的就只学置信度（背景）。

这也是为什么锚框质量很重要：如果锚框和目标宽高比差异太大，匹配阶段可能一个真实框都配不上，模型学不到东西。训练自定义数据集时看到的 "Autoanchor" 提示，本质就是在帮你检查这层匹配是否健康。

5.3 损失构成：box、cls、obj

YOLOv5 的总损失由三部分组成：

• 框回归损失：默认使用 CIoU 损失，同时考虑重叠面积、中心点距离和宽高比；
• 分类损失：只有正样本参与，用 BCEWithLogits；
• 置信度损失：所有样本参与，用 BCEWithLogits，正样本的标签是由该位置锚框与真实框的 IoU 计算出来的。

三个损失的权重分别在box、cls、obj超参数里控制。我调参时的经验是：如果模型"找得到框但分错类"，优先加大cls；如果"框的位置飘"，优先看 CIoU 的部分和锚框是否合理；如果"误检很多"，调高obj的权重或提高置信度阈值，而不是盲目动结构。

6. 同一套图纸，五种规模：n/s/m/l/x的尺寸密码

YOLOv5 提供了 n、s、m、l、x 五种规模的模型，它们的结构完全一样，唯一的区别是两个缩放系数：depth_multiple（深度倍数）和width_multiple（宽度倍数）。这两个值直接写在models/yolov5s.yaml这类文件顶部。

6.1 depth_multiple与width_multiple

depth_multiple控制 C3 内部残差块的数量。配置文件里每个 C3 后跟的 n（如 3、6、9），是基础重复次数，最终重复次数是max(round(n × depth_multiple), 1)。width_multiple控制每层卷积的通道数，最终通道数是int(基础通道数 × width_multiple)。

五档配置的对应关系如下：

我最初以为 s 和 m 差在层数，实际看了结构才明白，更多是通道数在差异。n → s 是宽度翻倍，层数没变；s → m 是宽度又涨了一半、深度翻倍。理解这个机制之后，自定义模型规模就很简单：想快就缩宽度，想准就加深度或宽度，但别超出显存。

6.2 从结构看不同规模的适用场景

在实际项目里，我总结了一条选型原则：先量任务难度，再选规模。

Nano 和 Small 适合算力紧张的边缘设备，比如 Jetson Nano 上部署 YOLOv5s，TensorRT FP16 大概能跑到实时。Medium 和 Large 适合服务端推理，对帧率要求不高但要精度。X 一般只在打比赛或离线处理时用，成本和收益比往往不如 l。

结构上的另一个规律是：网络越宽，对小目标越友好；网络越深，对大目标的抽象能力越强。所以如果是水果识别这种物体较大、类别少的任务，Small 完全够用；如果是车牌识别这种需要看清小字、但目标本身结构规整的任务，Small 加合适的输入分辨率通常效果就不错。

7. 把结构知识用在实战里：自定义数据、部署、小设备

7.1 改nc后检测头通道数怎么变

基于 YOLOv5 做水果识别或车牌识别时，最常改的就是nc。你只需要把data/coco128.yaml这类数据配置里的nc改成自己的类别数，把models/yolov5s.yaml里的nc同步改掉即可。训练时模型会根据 nc 自动计算检测头输出通道，不需要手动改 255 那个数。

这里最容易犯的错是只改数据配置、忘了改模型配置。两者 nc 不一致时，模型加载权重会报 shape 不匹配，或者训练时类别维度算错，白白浪费一个上午。我的习惯是训练前先打印一下模型最后一层，确认输出的第三个维度等于3 × (5 + nc)。

7.2 部署到Jetson Nano时，哪里最耗算力

部署和训练看结构的角度不一样。训练时关注显存和收敛速度，部署时关注延迟和内存占用。在 Jetson Nano 这类设备上，最耗时的往往是 Backbone 里的普通卷积，其次是 Neck 里的上采样和 concat 操作。

实际部署时我一般做三件事：第一，把模型换成 FP16 精度，显存和延迟都能降不少；第二，考虑用 TensorRT 把模型转成 engine，重点检查 Focus（如果用了老版本）和 Detect 层能不能被 TensorRT 算子覆盖；第三，评估是否需要裁剪输入分辨率。很多人一味追求高分辨率，结果 640 升到 1280，帧率掉一半，精度提升却很有限，这是性价比很低的做法。

7.3 版本演进：Focus为什么被6×6卷积替代

前面提过，v6.0 开始 YOLOv5 用 6×6 卷积替换 Focus。官方这样做的动机是：Focus 切片操作在导出 ONNX 后会出现多个切片节点，部分推理引擎对这些节点支持不友好，量化时也容易掉精度。换成普通卷积后，图的拓扑更干净，跨框架兼容性大幅提升。

如果你从官网下载的是最新代码，直接就是 6×6 卷积版。如果你参考的老教程提到 Focus，不必纠结，两者的输入输出等价性足够高，完全可以把新版结构图和老教程对照着看，反而能加深理解。

8. 拆结构时踩过的坑，和最后留下的几条经验

第一次完整拆完 YOLOv5 结构，我踩了几个坑，写在这里帮后来人省点时间。

第一个坑是随意改通道数。有一次我想把 Backbone 第一个卷积从 32 改到 64 来提升性能，结果 Neck 里所有 concat 的维度全对不上。YOLOv5 的通道数是全局联动的，改一处就得顺着数据流把所有相关层都改一遍。除非你真理解每一层依赖关系，否则建议通过width_multiple整体缩放，而不是手工改单层。

第二个坑是 SPPF 的 padding。这个前面提过，池化核变大时没同步改 padding，特征图尺寸对不上，报错信息还藏得深。排查 concat 维度错误时，先看每个分支的空间尺寸，再看通道数。

第三个坑发生在部署阶段。ONNX 导出后，我发现 NMS 不在模型里，才知道 YOLOv5 的 detect 层在推理时还要自己做坐标解码，NMS 是后处理阶段单独实现的。所以部署时要把"网络输出 → 解码 → NMS → 画框"这一整条链都搬过去，只导出模型是不够的。

至于结构理解的实际收益，我自己体会最深的一点是：看懂结构之后再调参会变得有方向。以前遇到模型召回率低，我只会加训练轮数；现在我会先判断是不是锚框匹配有问题，再去看是不是 P3 小目标分支的特征融合不足，最后才动超参数。这种"能定位问题在哪一层"的能力，比记住任何一张结构图都更有价值。如果你也打算深入 YOLOv5，我的建议是别急着跑代码，先花一个下午把本文这张结构图亲手画一遍，画完你会发现后面所有训练、调参、部署的问题，都变得好聊多了。