PANet 结构是在FPN的基础上引入了 Bottom-up path augmentation结构。FPN主要是通过融合高低层特征提升目标检测的效果，尤其可以提高小尺寸目标的检测效果。Bottom-up path augmentation结构可以充分利用网络浅特征进行分割，网络浅层特征信息对于目标检测非常重要，因为目标检测是像素级别的分类浅层特征多是边缘形状等特征。PANet在FPN的基础上加了一个自底向上方向的增强，使得顶层feature map也可以享受到底层带来的丰富的位置信息，从而提升了大物体的检测效果。如下图所示：（a）FPN backbone（b）Bottom-up path augmentation。

2.3.4 Loss计算

YOLOv5 采用了BECLogits损失函数计算objectness score的损失，class probability score采用了交叉熵损失函数（BCEclsloss），bounding box采用了GIOU Loss。

GIoU Loss用来计算bounding box的Loss，GIOU是在CVPR2019中论文提出。GIOU直接把IoU设为回归的Loss。

Yolov5中采用其中的GIOU_Loss做Bounding box的损失函数。

先计算两个框的最小闭包区域面积[公式]（通俗理解：同时包含了预测框和真实框的最小框的面积），计算出IoU，再计算闭包区域中不属于两个框的区域占闭包区域的比重，最后用IoU减去这个比重得到GIoU。

两个框的最小闭包区域面积=红色矩形面积

IoU=黄色框和绿色框的交集/并集

闭包区域中不属于两个框的区域占闭包区域的比重=蓝色面积/红色矩阵面积

GIoU=IoU-比重

yolov5的loss设计和前yolo系列差别比较大的地方就是正样本anchor区域计算，其余地方差距很小。分类分支采用的loss是BCE，conf分支也是BCE，而bbox分支采用的是Giou loss。假设现在预测的bbox和ground truth bbox的坐标分别表示为：

则