总结
通常套路就是
（1）先观察整体的数据分布（数据集数量，标签数量，标注框数量）
- ①数据集数量：数量大，大模型训练缓慢
- ②标签数量：各类的分布情况—>分布是否平衡
focal损失函数：长尾分布（样本分布不均衡）
mosaic：小目标相对较多。mosaic大大丰富了检测数据集，特别是随机缩放增加了很多小目标，让网络的鲁棒性更好； - ③各类的平均数量
SAM优化器：增加泛化能力，避免过拟合
（2）数据特点
- 遮掩严重：
varifocal loss损失函数
soft-nms - 数据集的尺寸
（3）训练策略
- 冻结训练
冻结训练的意义：我在这篇提过一嘴 - img大小变化
（4）性能优化
- TensorRT
简单介绍过配置 - 剪枝
- openvino
一. 占道经营检测
（1）模型选择
anchor-based：
1）优点：加入了先验知识，模型训练相对稳定；密集的anchor box可有效提高召回率，对于小目标检测来说提升非常明显。
2）缺点：对于多类别目标检测，超参数scale和aspect ratio相对难设计；冗余box非常多，可能会造成正负样本失衡；在进行目标类别分类时，超参IOU阈值需根据任务情况调整。
anchor-free：
1)优点：计算量减少；可灵活使用。
2）缺点：存在正负样本严重不平衡；两个目标中心重叠的情况下，造成语义模糊性；检测结果相对不稳定。
基于优点与缺点最终选择了yolov5
（2）根据数据集选择合适的处理方案
1）优化器
SAM优化器
- 问题：许多网络可以很容易地记住训练数据并有能力随时overfit，为了防止这个问题，增强泛化能力
- SAM优化器特点：
- 它与其他常见的优化器一起使用
2）损失函数
Varifocal Loss损失函数
使用该loss来缓解目标遮挡造成漏检现象。并且与focal loss不同，varifocal loss是不对称对待正负样本所带来的损失。
3)冻结训练
具体训练方案是：1）常规训练；2）加入冻结模块的分步训练1；3）加入冻结模块的分步训练2。
其实我还在思考冻结训练中每一步的意义？？？
二. 沿街晾晒识别
这一篇给我看出了一种应试考试的感觉
（1）标签数量不均衡
数据增强用Mosaic数据增强 + 损失函数用Focal loss
这也是应对数据不均衡比较常规的想法，而且都很有效。
Focal loss
（2） TensorRT
（3）训练策略
它的训练策略分三段
三. 反光衣识别
这一篇比较重代码和逻辑推演过程
对于yolov5的理解
1．第一层取消了Focus,采用卷积核大小为6,步长为2的卷积层代替。
yolov5官方解答，Focus() 是用来降低FLOPS的，跟mAP无关。Focus模块在v5中是图片进入backbone前，对图片进行切片操作，具体操作是在一张图片中每隔一个像素拿到一个值，类似于邻近下采样，这样就拿到了四张图片，四张图片互补，输入通道扩充了4倍，即拼接起来的图片相对于原先的RGB三通道模式变成了12个通道，最后将得到的新图片再经过卷积操作，最终得到了没有信息丢失情况下的二倍下采样特征图。
2.更改backbone的基本单元BottleneckCSP为c3模块。
在新版yolov5中，作者将BottleneckCSP（瓶颈层）模块转变为了C3模块，其结构作用基本相同均为CSP架构，只是在修正单元的选择上有所不同，其包含了3个标准卷积层以及多个Bottleneck模块（数量由配置文件.yaml的ndepth_multiple参数乘积决定）从C3模块的结构图可以看出，C3相对于BottleneckCSP模块不同的是，
①经历过残差输出后的Conv模块被去掉了，
②concat后的标准卷积模块中的激活函数也由LeakyRelu变味了SiLU。
①C3模块
②BottleNeckCSP模块
3.更改Leaky_Relu激活函数为SiLU激活函数。
作者在CONV模块（CBL模块）中封装了三个功能：包括卷积（Conv2d）、BN以及Activate函数（在新版yolov5中，作者采用了SiLU函数作为激活函数），同时autopad（k, p）实现了padding的效果。
4.SPP更改为SPPF(Spatial Pyramid Pooling - Fast), 结果是一样的，但是可以降低FLOPS，运行的更快。
冻结
感觉这一篇偏重实际，写的很清晰。
四.渣土车识别方案
整体架构：
匈牙利算法
出现了这个新名词
五.农作物病虫害识别&垃圾分类识别
师出同门，可以看出很明显的侧重于落地性
垃圾分类识别
农作物病虫害识别
六.快递爆仓识别算法
久违的看见一篇是分割做的。
分割玩的太少了，再了解一下
七.短袖短裤识别
这一篇思路很清晰，不过细节部分的呈现偏少。
YOLOv5 的 TensorRT C++ 部署代码推荐参看 https://github.com/wang-xinyu/tensorrtx/tree/master/yolov5
感觉后面的代码都是千篇一律不细写了
解析了yolov5