以下是这些 YOLO 系列配置文件的详细解析，按版本和功能分类说明：
一、YOLOv3 系列
| 文件名 | 核心特性 | 适用场景 |
|---|
yolov3.yaml | 原始 YOLOv3 结构，3 尺度预测（13x13,26x26,52x52） | 通用目标检测 |
yolov3-spp.yaml | 增加 SPP（空间金字塔池化）模块，提升感受野 | 大目标检测（如遥感图像） |
yolov3-tiny.yaml | 轻量化版本，仅保留 2 个预测层，通道数减半 | 边缘设备实时检测 |
二、YOLOv5 基础系列
按模型大小分类（参数量递增）：
| 文件名 | 模型规模 | 参数量（M） | FLOPs（G） | 特点 |
|---|
yolov5n6.yaml | Nano | 1.9 | 4.5 | 最小模型，适合移动端 |
yolov5s6.yaml | Small | 7.2 | 16.5 | 平衡速度与精度 |
yolov5m6.yaml | Medium | 21.2 | 49.0 | 主流选择 |
yolov5l6.yaml | Large | 46.5 | 109.1 | 高精度场景 |
yolov5x6.yaml | XLarge | 86.7 | 205.7 | 最大模型，需高性能GPU |
注：后缀 6 表示输入分辨率为 640x640（默认 yolov5s 为 640x640，yolov5s6 强调分辨率配置）
三、YOLOv5 结构变体
1. 特征金字塔改进
| 文件名 | 结构特性 |
|---|
yolov5-fpn.yaml | 使用标准 FPN（自顶向下融合） |
yolov5-panet.yaml | 使用 PANet（双向特征金字塔） |
yolov5-bifpn.yaml | 采用 BiFPN（加权双向跨尺度连接） |
2. 多尺度预测增强
| 文件名 | 预测层配置 | 优势领域 |
|---|
yolov5-p2.yaml | 2 层预测（P3, P4） | 中大型目标快速检测 |
yolov5-p34.yaml | 3 层预测（P3, P4, P5） | 通用场景 |
yolov5-p6.yaml | 4 层预测（P3-P6），最高层下采样64倍 | 极小目标检测（如无人机） |
yolov5-p7.yaml | 5 层预测（P3-P7），支持 1280x1280 输入 | 超高清图像分析 |
3. 模块替换优化
| 文件名 | 关键技术 | 作用 |
|---|
yolov5s-ghost.yaml | 使用 Ghost 模块替代常规卷积 | 减少 30% 计算量 |
yolov5s-LeakyReLU.yaml | 激活函数替换为 LeakyReLU（原版为 SiLU） | 兼容老旧硬件部署 |
yolov5s-transformer.yaml | 在 Neck 部分引入 Transformer 编码器 | 提升复杂场景识别能力 |
四、锚点框配置
| 文件名 | 作用 |
|---|
anchors.yaml | 定义锚点框（anchor boxes）的尺寸和比例，需根据数据集目标尺寸调整 |
五、典型场景推荐
| 需求 | 推荐配置文件 | 硬件要求 |
|---|
| 工业质检（小缺陷） | yolov5m6-p6.yaml | RTX 3080 |
| 移动端实时检测 | yolov5n6.yaml | Jetson Nano |
| 自动驾驶（多尺度目标） | yolov5x6-bifpn.yaml | A100 GPU |
| 兼容 TensorRT 部署 | yolov5s-LeakyReLU.yaml | 支持 FP16 的嵌入式设备 |
关键参数对比示例
以输入尺寸 640x640 为例：
| 模型 | mAP@0.5 | 速度（FPS） | 显存占用（GB） |
|---|
| yolov5n6 | 28.9 | 220 | 1.2 |
| yolov5s-bifpn | 37.5 | 120 | 3.8 |
| yolov5x6-p7 | 52.1 | 35 | 18.4 |
注：数据基于 COCO 2017 验证集，测试硬件为 RTX 3090。
