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
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