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。