然而，如果毕设要求中包含了更多的内容，比如对比不同模型优化模型性能进行详细的误差分析等，那么仅仅运行yolov5模型可能是不够的其次，模型的实现细节也非常重要即使只是运行了一个模型，也需要关注模型的训练过程参数设置数据预处理等方面如果这些方面处理得当，能够得到较好的检测结果，那么这。
此外，在YOLOv5中，为了提高检测精度和减少误报率，通常会设置一个较高的置信度阈值，例如05或更高这意味着只有那些置信度高于阈值的检测框才会被保留下来，而低于阈值的检测框会被过滤掉因此，在RCurve中，当置信度阈值较高时，召回率可能会降低综上所述，虽然在理论上当置信度阈值为0时召。
训练完毕会得到 bestpt 和 lastpt 的权重文件，权重文件在 runtrainexpweights 下 以YOLOv5 v60版本为例，先使用原始权重文件及项目提供的原始图片进行detect推理一下，可以修改detectpy文件 可以先使用命令查看一下正确指令 然后，使用命令 运行结果将被保存在 rundetect文件夹下 detect。
Weights Biases WB是一个用于实时训练过程可视化和训练数据云端记录的工具，方便做训练数据的比较和研究，也方便团队协作详细使用步骤参考 YOLOv5 Weights Biases Tutorial 安装pip install wandb， 并在wandb官网上注册好账户后，先登录wandb 然后执行YOLOv5训练程序。
yolov5图片数据集需要压缩像素最近项目用到了yolov5初始图像是1440×1080大小的，在训练时显示“cudaoutofmemory”，故保持原始长宽比，将图像缩小成720×540大小进行训练。
登录 AWS 实例后，使用以下命令创建 conda 环境并设置 Weights Bias 环境变量第 4 步训练验证和测试 第 5 步检查指标 验证集真实标签 验证集预测标签 训练的损失 测试 以上所有结果都会保存在文件夹yolov5runsdetectexp下。
YOLOV5可以说是图像处理技术，但更准确来说是一种单阶段目标检测算法，机器视觉任务，常见的有分类检测分割而YOLO正是检测中的佼佼者，在工业界，YOLO兼顾精度和速度，往往是大家的首选延伸YOLO将对象检测重新定义为一个回归问题能够将单个卷积神经网络应用于整个图像，把图像分成网格，并预测。
问题描述 训练YOLOv5模型，Epoch从0变1时，GPU显存消耗突然翻倍，例如从354G 突然增长到808G 解决方案 这是因为训练完毕后，执行Validation导致的显存翻倍在训练时，加入参数 noval即可训练命令如下参考链接。
