yolov5代码解读中遇到的原理性问题解决

1、为什么通过添加nbs变量来扩大batch_size，而不是直接扩大batch_size的大小？
首先，增大batch_size有三点好处：
（1）内存的利用率提高了，大矩阵乘法的并行化效率提高；
（2）跑完一次epoch(全数据集)所需迭代次数减少，对于相同的数据量的处理速度进一步加快；
（3）一定范围内，batch_size越大，其确定的下降方向就越准，引起训练震荡越小；
当然，有好处就有坏处，坏处也有三点：
（1）服务器内存扛不住；
（2）虽然所需迭代次数减少了，但是想达到相同的精度时间开销，参数的修正更加缓慢；
（3）batch_size增大到一定的程度，其确定的下降方向已经基本不再变化；
总体来说，batch_size的设置应该参考以下几点：
（1）batch数太小，而类别又比较多的时候，真的可能会导致loss函数震荡而不收敛，尤其是在你的网络比较复杂的时候。
（2）随着batch_size增大，处理相同的数据量的速度越快。
（3）随着batch_size增大，达到相同精度所需要的epoch数量越来越多。
（4）由于上述两种因素的矛盾， batch_size增大到某个时候，达到时间上的最优。
（5）由于最终收敛精度会陷入不同的局部极值，因此 batch_size 增大到某些时候，达到最终收敛精度上的最优。
（6）过大的batch_size的结果是网络很容易收敛到一些不好的局部最优点。同样太小的batch也存在一些问题，比如训练速度很慢，训练不容易收敛等。
（7）具体的batch_size的选取和训练集的样本数目相关。
综上所述，yolov5中设置nbs来增加batch_size既继承了大batch的优点，又避免了内存爆炸及训练震荡的问题。
（参考博客：https://blog.csdn.net/zqx951102/article/details/88918948）
2、学习率衰减采用余弦退火方式？
提示：这里可以添加要学的内容
例如：
引入学习率衰减的定义（训练神经网络时一般需要调整学习率，随着epoch的增加，学习率不断衰减），学习率如果太大，容易发生震荡，此时需要调小学习率，如果学习率太小，则训练的时间太长。学习率衰减yolov5中采用余弦退火方式。（参考博客：https://zhuanlan.zhihu.com/p/93624972）
严格的说，余弦退火策略不应该算是学习率衰减策略，因为它使得学习率按照周期变化，其定义方式如下：

optimizer_CosineLR = torch.optim.SGD(net.parameters(), lr=0.1)
CosineLR = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer_CosineLR, T_max=150, eta_min=0)

 其包含的参数和余弦知识一致，参数T_max表示余弦函数周期；eta_min表示学习率的最小值，默认它是0表示学习率至少为正值。确定一个余弦函数需要知道最值和周期，其中周期就是T_max，最值是初试学习率。下图展示了不同周期下的余弦学习率更新曲线：

3、mAP@0.5:0.95代表什么？

首先，mAP表示：mean Average Precision（对每一类分别计算AP<平均精确度>，然后做mean平均）
AP是Precision-Recall Curve(PRC)下面的面积：

 

https://blog.csdn.net/weixin_43337201/article/details/108421137