yolov5-6.1版本功能测试（全）

此文段所述性能指标仅对此次数据具有参考价值，后续仍需佐证此观点
文章主题：yolov5-6.1版本性能对比，以及如何提升性能最佳，结果出乎意料，发现最优optimizer，最优scheduler。

1. 上个版本的表现如何？

示例：往期使用的框架为yolov5-3.0版本，时隔一年，老版本已经再打不起精神，在Ai时代的推演下，当时的呼声早已石沉大海。
话不多说，直接上图，先记住3.0版本的性能：

看起来还可以，我们先总结一下结果：
mAP = 0.995， recall = 1.0 ， precisions（p) = 0.713 ,
cla-loss = 7.2e-4 , Boxloss = 5.5e-3 , obj-loss = 6.2e-3。

接下来，6.1版本走一波，然后做对比分析。

二、yolov5-6.1版本测试

1.exp1_原始代码无改动(红线）

代码下载：
https://github.com/ultralytics/yolov5/commit/3752807c0b8af03d42de478fbcbf338ec4546a6c

运行条件：GPU环境=Teslav100_32g , 数据样本量4000张图片 ，label引用量 = 11458  ，epochs = 200，
 imagesize = 640 ， lr = 0.01， lrf = 0.01  ，optim = SGD ，

yolov5_6.1各项参数：
mAP = 0.995， recall = 0.99 ， precisions（p) = 0.989 ↑ ，
cla-loss = 4.08e-4 ↑, Boxloss = 6.6e-3 , obj-loss = 5.3e-3 ↑。
yolov5_3.0参数对比：
（mAP = 0.995， recall = 1.0 ， precisions（p) = 0.713 ,
cla-loss = 7.2e-4 , Boxloss = 5.5e-3 , obj-loss = 6.2e-3。）

对比之下，在召回率相同的的情况下，大大提升30%精准度。损失值也降低1-3个点。

2.exp2_原始基础上新增cos-lr（退火余弦学习率迭代）（黄线）

代码如下（后面会默认开启）：

parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler',
 default=True)

这里唯一的区别是由于动态学习率的不同迭代！

虽然在最终可视化上稍微好一点，但在混淆矩阵上效果很好：

混淆矩阵效果对比：（图一为关闭 cos-lr scheduler ）仍然会有样本混淆。

（图二为打开 cos-lr scheduler ）

3.exp3_打开冻结主干网络(绿线)，降低学利率初始值(橙线)

为了更有效的展示，同时总结了冻结和降低学费的两个实验。
方法一：冻结主​​代码如下（后面会默认开启）：

parser.add_argument('--freeze', nargs='+', type=int, default=[10], help='Freeze layers: backbone=10, first3=0 1 2')

方法二：将lr = 0.01，lrf = 0.01，调整为lr = 0.001 ，lrf = 0.2。目的：将学路率调小，避免过程震荡。

最后再来看看渲染效果：（如果表现平平就不强调了，各提各的优缺点）

在loss曲线可以看出，最有解让仍为第二种方法（黄色），最差的为（绿色）冻结主干网络，
总结：冻结网络绿色可以避免曲线动荡，但是对于大幅度加快网络训练并没有体现，200epoch只*快了0.005h*，效果并不好，但是可以降低GPU耗能，节省GPU寿命，从混淆矩阵看，易混淆的类别增多。
对于将lr调小以后（橙色），迭代速度变慢，但是曲线稳定，最终结果并不比较大的动态学习率效果好。

4.exp4_更改yolo新推出的优化器AdamW（蓝线）

最后我们尝试一下新推出的AdamW优化器的性能如何

python train.py --optim=AdamW

AdamW 相比于 SGD，recall 提升0.1%，precisions 提升 1%，cls_loss 提升10倍。
在results.csv文件看对应指数，最终结果仍然是AdamW能取得最优解。

以下是实际应用效果：

总结

以上就是今天要讲的内容，本文仅仅简单介绍了yolov5-6.1版本的性能，以及简单的optimizer,scheduler的性能对比，性能指标仅对此次数据具有参考价值，后续仍需佐证此观点，在此再次陈述一下上文的观点。
1.选择return cosine learning rate迭代，性能会更好，但时间会稍微延长，可以忽略；
二、使用AdamW优化器取代SGD优化器在最终结果时，略优于SGD；
3、在整个训练过程中使用动态学习率（学习率从大到小），可以有效提高迭代速度，也可以使模型达到最优解；
四、环境允许的情况下，freeze冻结网络并不能在性能持平的情况下加快训练速度。