点击下方卡片，关注「集智书童」公众号
「YOLOv5本来的样子还记得嘛」
话不多说，先总结一下历史上的YOLOv5吧：
- 「Backbone」 ：CSPDarkNet（没有Fusion Last模块）
- 「Neck」 ：PAFPN
- 「Head」 ：Coupled Head
- 「Assignment」 ：Line IOU Assignment
- 「Loss」 ：分类==>BCE Loss，回归==>CIoU Loss
这样大家应该比较清楚YOLOv5的大概知识脉络了；
这里借用其他小伙伴绘制的YOLOv5的结构图，可以看到YOLOv5的Backbone和Neck部分主要使用的是CBS模块和C3模块进行网络架构的搭建，而Head部分则是使用的耦合在一起的Head，即Coupled-Head，我们都知道，这样做可以进一步提升模型的执行效率，降低模型的推理时间和参数量：
「YOLOv5u是怎么回事呢」
我们先对比一下YOLOv8的YAML和YOLOv5u的YAML，你就全明白了！！！
是的，所谓的Anchor-Free版本的YOLOv5u，就是原始版本的YOLOv5+YOLOv8的Detect Head，当然肯定也继承了YOLOv8的种除了基于梯度流的网络聚合设计思想以外的所有优点，比如DFL Loss、TAL匹配以及Decoupled Head等。
最后看看YOLOv8的Detect Head的样子吧！！！依旧是借用网络小伙伴的一张图：
是不是很时髦的样子，是的，Decoupled Head+Anchor-Free就是潮流与时尚！所以YOLOv5就是继承了YOLOv8的检测头（上图中的红色框内的Head）和匹配方法以及损失函数。
记得一定去学习YOLOv5u哦！！！
参考
[1].https://github.com/ultralytics/ultralytics.
推荐阅读
[
改进YOLOX | Push-IOU+Dynamic Anchor进一步提升YOLOX性能](https://mp.weixin.qq.com/s?__biz=MzU5OTA2Mjk5Mw==&mid=2247503101&idx=1&sn=50e7c01c31e95009870ac6d8b0b5fda6&chksm=feb82c43c9cfa555dca48247f5c5a41067d7040f7dc624193e1aa38ba2d6d125d5edd20d9c11&scene=21#wechat_redirect)
[
即插即用 | CFNet提出全新多尺度融合方法！显著提升检测和分割精度！](https://mp.weixin.qq.com/s?__biz=MzU5OTA2Mjk5Mw==&mid=2247502354&idx=2&sn=a1391fa665ed11392220164c5e5ba9dd&chksm=feb82aacc9cfa3ba69adc7ba9b268f89832b8f249f88d1cf12991f68c244543a0fb2e27bf960&scene=21#wechat_redirect)
[
一文全览 | 自动驾驶Cornor-Case检测数据集](https://mp.weixin.qq.com/s?__biz=MzU5OTA2Mjk5Mw==&mid=2247502305&idx=1&sn=667fdbdcdf3318b8da4e17e64036ec2d&chksm=feb8295fc9cfa0494fc42072d535e1904722c1768eb03f1bf7cce85f5114cc566b088aecfff5&scene=21#wechat_redirect)
扫码加入👉「集智书童-YOLO算法」交流群
（备注： 方向+学校/公司+昵称 ）
想要了解更多：
前沿AI视觉感知全栈知识👉「分类、检测、分割、关键点、车道线检测、3D视觉（分割、检测）、多模态、目标跟踪、NerF」
行业技术方案 👉「AI安防、AI医疗、AI自动驾驶」
AI模型部署落地实战 👉「CUDA、TensorRT、NCNN、OpenVINO、MNN、ONNXRuntime以及地平线框架」
欢迎扫描上方二维码，加入「 集智书童-知识星球 」，日常分享论文、学习笔记、问题解决方案、部署方案以及全栈式答疑，期待交流！
免责声明
凡本公众号注明“来源：XXX（非集智书童）”的作品，均转载自其它媒体，版权归原作者所有，如有侵权请联系我们删除，谢谢。
点击下方“ 阅读原文 ”，
了解更多AI学习路上的 「武功秘籍」