YOLOv5一、网络结构SSPFQ接在backbone后面的已经提取了大部分的网络特征那么他是如何做到多尺度的呢Q中间neck部分使用了FPN的结构吧FPN是用来帮助识别小目标的为什么做了上采样是帮助识别小目标呢是因为重新恢复了特征图的细节嘛为什么使用了上采样的FPN结构再通过PAN做下采样呢Q帮助识别小目标不是在不同尺度的特征图上进行预测才有帮助吗就是比如我在低层的接近原始图片上的特征图进行预测。Q:这三个预测框分别预测的是什么分别预测大、中、小三个不同尺度的目标。目标置信度Objectness Score物理意义衡量当前锚框区域内「是否存在真实目标」同时隐含了预测框的位置精度与真实框的重合程度。类别打分Class Score物理意义在「锚框内存在目标」的前提条件下该目标属于第 i 类的条件概率。对应你图里 Head 部分的输出通道里同时包含了「位置参数、目标置信度、类别打分」三组数值。其中目标置信度和类别打分的核心关系是训练时独立监督、分开计算损失推理时相乘得到最终的类别置信度即最终某类置信度 目标置信度 框内存在目标物体的概率× 该类类别打分在锚框中存在物体的前提下预测框内是该类类别的概率最后做推理时最终某类置信度 目标置信度 × 该类类别打分Q预测时目标位置置信度是如何计算的呢位置置信度不是预测和GT的IOU嘛那么推理的时候也没有GT框