YOLOv5改进训练过程中置信度损失上升_yolov5 val /obj_loss上升

        最近需要对yolov5网络框架进行改进，改进训练的过程当中发现了一个奇怪的问题。        从tensorboard的图像过程中看出，bbox_loss,cls_loss在训练预测之后正常下降，当时obj_loss置信度损失值在上升。这可把我给困住了，各方面都没有问题，困扰好久。

        总结分析出三个主要原因：

1.模型计算量过大，出现过拟合的现象，需要对网络框架进行削减，降低网络模型复杂度，或者采用更进一步的数据增强方式。

2.obj-loss的正负样本划分出现了极不平衡的问题。

3.学习率以及optimizer的选择出现问题，需要进行更换。

        按照以上分析原因进行修改。

1.削减模型复杂度值之后，随着网络模型复杂度的降低，网络预测的准确率也随着降低，但是ovj_loss损失值依然存在有上升的现象。（所以个人总结认为网络模型虽然复杂度高，但是并未达到所说的过拟合现象。）

2.其次针对于学习率以及optimizer的问题，使用的超参数文件为yolov5当中hyper-scratch-low的超参文件，初始的学习率为0.01，使用的optimizer为SGD。所以选择更换optimizer为AdamW,以及相应降低学习，并且使用hyperscratch-mid的稍强一点的数据增强方式。发现更换为AdamW后，会随之出现梯度爆炸的情况，训练过程当中损失值变为Nan。

（经过以上分析调整后，个人改进网络训练过程中出现此现象与网络模型复杂度无关，夜雨Optimizer无关，极大原因便是学习率过大的问题。不知道分析是否正确，还请各位帮忙看看）

所以最近实验过程中，打算只针对学习率进行调整。

3.现在只剩下更换置信度损失这一个方法了。希望大家帮忙看看有没有其他的解决办法？