如果你的数据集是只有小目标的，比如wideface这些公开数据集，目标大小普遍在8x8及以下，而YOLOV5中，P5对应的检测特征图大小为20X20，用于检测大小在32X32以上的目标，这一层就显得多余了，不仅不会带来精度的提升，反而增加了计算量和推理速度。下图是原来的四层结构。可以看到我们的模型检测出了yolov5s漏检的许多目标，对密集的小目标场景更加友好，且保留了三层检测层结构，不会带来计算

如果你的数据集是只有小目标的，比如wideface这些公开数据集，目标大小普遍在8x8及以下，而YOLOV5中，P5对应的检测特征图大小为20X20，用于检测大小在32X32以上的目标，这一层就显得多余了，不仅不会带来精度的提升，反而增加了计算量和推理速度。下图是原来的四层结构。可以看到我们的模型检测出了yolov5s漏检的许多目标，对密集的小目标场景更加友好，且保留了三层检测层结构，不会带来计算

如果你的数据集是只有小目标的，比如wideface这些公开数据集，目标大小普遍在8x8及以下，而YOLOV5中，P5对应的检测特征图大小为20X20，用于检测大小在32X32以上的目标，这一层就显得多余了，不仅不会带来精度的提升，反而增加了计算量和推理速度。下图是原来的四层结构。可以看到我们的模型检测出了yolov5s漏检的许多目标，对密集的小目标场景更加友好，且保留了三层检测层结构，不会带来计算