目标检测是与计算机视觉和图像处理相关的计算机技术，用于在一张图片中识别出些物体的种类，同时要求标出物体的位置。目标检测已被广泛应用于人脸检测、自动驾驶和视频监控等图像领域。
1、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。
2、主要是因为yolo本身的思想已经很成熟了，在这个框架下的确很难做出些通用性的创新和提升。至于把各种成熟的模块塞进去发论文，这种仁者见仁智者见智吧。个人感觉还是结合某个方向改进yolo，会有方向一些。
3、不会。yolov5对于游戏和系统的代码没有进行任何的修改，而是通过外接的视频采集卡+AI+一个输入控制器来实现。不会电脑软件检测出来。yolov5是一款配置wandb，一个动态展示训练状态的web portal，用以观察loss和设备情况。
4、自YOLO v4发布的40余天后， Ultralytics公司开源了非官方的YOLO v5，其完全基于PyTorch实现。值得注意的是，每个图像的推理时间达到140 FPS，并且YOLOv5的权重文件大小仅为YOLOv4的1/9。
5、TPH-YOLOv5 在YOLOv5的基础上增加了一个prediction heads 来检测不同尺度的目标。然后通过探索Self-Attention的预测潜力使用了Transformer Prediction Heads(TPH)代替原来的prediction heads。
1、当使用VisDrone2021数据集训练模型时，使用数据增强策略(Mosaic和MixUp)发现YOLOv5x的结果远远好于YOLOv5s、YOLOv5m和YOLOv5l， AP值的差距大于5%。
2、因此置信度可以定义为 。 很多人可能将Yolo的置信度看成边界框是否含有目标的概率，但是其实它是两个因子的乘积，预测框的准确度也反映在里面。
3、faster R-CNN使用resNet101模型作为卷积层，在voc2012数据集上可以达到88%的准确率，超过yolo ssd和yoloV2。其最大的问题是速度偏慢，每秒只能处理5帧，达不到实时性要求。
4、研究对比不同算法的泛化性能时，我们用测试集上的判别效果来估计模型的泛化能力， 把训练数据另外划分为训练集和验证集，基于验证集上的性能来进行模型选择和调参。
5、这个检测结果中包含了每个位置的分类物品出现的置信度以及四个表示位置和偏移的(cx，cy，w，h)。
[ 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54G 突然增长到08G [ 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。
在YOLOv5中，R-Curve是指Recall-Confidence曲线，它是用来评估目标检测算法性能的一种常见方法。在R-Curve中，横轴表示置信度阈值，纵轴表示召回率（Recall），每个点表示在不同置信度阈值下的召回率。
1、难的是需要搞清楚v5的原理以及如何将最新的一些算法加入到v5，针对性地提高自己训练集的效果。如果你够厉害的话也可以针对v5的一个板块提出自己新的算法，比如改进CIOU之类的。文献综述好好写，论文格式好好弄。
2、[ 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。
3、官方声称在单卡V100显卡上训练YOLO模型需要大概2天的时间。如果是基于预训练模型训练然后用时不到4天半，55个小时。不过从零训练就不能基于预训练模型了，如果weights不传参，训练就很慢了，大概测算需要多半个月的时间。
4、使用CBAM可以提取注意区域，以帮助TPH-YOLOv5抵制令人困惑的信息，并关注有用的目标对象。
5、为了实现每秒的FPS计算，可以通过将batch-size设置为1，并用1000除以预处理、推理和非极大值抑制这三个阶段的时间之和来计算。这样就可以得到每秒的FPS值 。