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。
文章目录
- yolov5-6.1版本功能测试（全）
- 一、过往版本性能如何？
- 二、yolov5-6.1版本测试
* - 1.exp1_原始代码无改动(红线）
- 2.exp2_原始基础上新增cos-lr（退火余弦学习率迭代）（黄线）
- 3.exp3_打开冻结主干网络(绿线)，降低学利率初始值(橙线)
- 4.exp4_更改yolo新推出的优化器AdamW（蓝线）
- 三、总结
一、过往版本性能如何？
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：
效果很不错，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（在后面将默认打开）：
parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler',
default=True)
此处唯一的不同在于动态学习率迭代的不同所导致！
增加cos-lr不仅在最终的可视化图像上略好，而且在混淆矩阵上来看，效果收效良好：
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)
为了更高效的展示，将冻结和降低学利率的两项实验同时概括。
方法一：冻结主干代码如下（在后面将默认打开）：
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。
最后在看一下呈现效果：（性能持平的就不再强调，提一下各自的优缺点）
在loss曲线可以看出，最优解仍为第二种方法（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，从混淆矩阵看，易混淆的类别也会增多，然而冻结网络层也有一定的好处，它可以 降低GPU耗能，节省GPU寿命 。
对于将lr调小以后（橙色），虽然曲线稳定，但是迭代速率变慢，而且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。
下面是实际应用效果：
三、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。
一、选择退货余弦学习率迭代，性能将更优，但是时间略有延长，可忽略不计；
二、使用AdamW优化器取代SGD优化器在最终结果时，略优于SGD；
三、在训练全过程使用动态学习率（学习率从大到小），有效的提高迭代速度，同时也能让模型达到最优解；
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。
Original: https://blog.csdn.net/weixin_61785507/article/details/124034967
Author: 商龙人
Title: yolov5-6.1版本功能测试（全）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/680271/
转载文章受原作者版权保护。转载请注明原作者出处！