yolov5整体框架图

 yolov5总共有很多版本，看Pytorch官方给的不同类型模型的测试结果

在本文使用yolov5的v6.1版本，640分辨率，s模型,也就是上图正序的第二个

YOLOv5针对不同大小（n, s, m, l, x）的网络整体架构都是一样的，只不过会在每个子模块中采用不同的深度和宽度,下面借鉴一位b站up的画的图(对应L的模型)

复现结果和细节

 1 total param num 7,073,569,计算量：12.1 GFLOPS
 2 backbone: CSPDarknet-53
 3 优化器：adam,momentum=0.937,初始学习率:1e-34 学习率更新:呈cos函数形式
 5 损失函数=置信损失(CIOU)+分类损失+定位损失(CIOU Loss),其中置信和分类损失用的都是BCE Loss
 6 batch=8 
 7 加载官方完整预训练权重 yolov5_s_v6.1.pth
 8 epoch = 30 
 9 总训练时间: 2h31m9s
 10 训练集：PASCALVOC-2012train(5717) 
 11 测试集：PASCALVOC-2012val(5823) 
 12 GPU: 1 x  Tesla V100
 13 平均推理时间和FPS:0.00961s,104fps（RTX 3070ti）

利用tensorboard记录

在当前环境终端输入

tensorboard --logdir=存放文件夹路径

训练loss,map0.5,map_0.5:0.95记录

利用wandb记录

本地画图记录

最高接近75%的map0.5

 获取验证结果以及coco指标

加载训练完的权重，在测试集上对模型进行验证，这里测试集=训练中的验证集

检测结果

 confidence=0.5和0.3

 看来用S模型的效果还是不太好，如果用大一点的模型应该效果会好很多