在蜂巢检测（私人）数据集上进行YOLOv5轻量化改进

这个项目主要改进点来源于ppogg/YOLOv5-Lite，用的里面的Lite-e模型，非常厉害的轻量化模型，感谢大佬的开源工作。

本项目适合用在一类/几类，且数据并不复杂度的数据集上

对YOLOv5原理不了解的，可以看下我的YOLOv5源码注释:HuKai97/yolov5-5.x-annotations.和我写的YOLOv5源码讲解：【YOLOV5-5.x 源码讲解】整体项目文件导航.

一、改进依据（ShuffleNetV2 轻量化模型设计的四条准则）：

G1. 卷积层的输入特征channel和输出特征channel要尽量相等；
G2. 尽量不要使用组卷积，或者组卷积g尽量小；
G3. 网络分支要尽量少，避免并行结构；
G4. Element-Wise的操作要尽量少，如：ReLU、ADD、逐点卷积等；

二、改进点：

1. backbone的Focus替换为一个3x3Conv（c=32），因为v5-6.0就替换为了一个6x6Conv，这里为了进一步降低参数量，替换为3x3Conv；
2. backbone所有Conv和C3替换为Shuffle Block；
3. 砍掉SPP和后面的一个C3结构，SPP并行操作太多了（G3）
4. head所有层输入输出channel=96（G1）
5. head所有C3改为DWConv
6. PAN的两个Concat改为ADD（channel太大，计算量太大，虽然违反了G4，但是计算量更小）

三、CSDN源码关键部分讲解

1. 【YOLOV5-5.x 源码讲解】整体项目文件导航
2. 【项目二、蜂巢检测项目】一、串讲各类经典的卷积网络：InceptionV1-V4、ResNetV1-V2、MobileNetV1-V3、ShuffleNetV1-V2、ResNeXt、Xception】
3. 【项目二、蜂巢检测项目】二、模型改进：YOLOv5s-ShuffleNetV2

四、代码使用

同YOLOv5

五、训练效果

模型	YOLOv5s	YOLOv5s-ShuffleNetV2
shape	320x320	320x320
参数量	6.75M	0.69M
FLOPs	2.05G	0.32G
权重文件大小	13.6M	1.6M
mAP@0.5	0.967	0.955
mAP@0.5~0.95	0.885	0.84

(左图yolov5s,右图yolov5s-shufflenetv2)

Reference

ultralytics/yolov5
ppogg/YOLOv5-Lite.