跌倒目标检测，云端训练yolov5-lite和用自己电脑训练差别巨大，简直太强了_yolov5lite和yolov5结果对比

介绍

在发现yolov5-lite模型比yolov3-tiny训练效果更好后，我果断放弃了v3，改用v5-lite进行训练，配置yolov5的环境和v3差不多，都是用pytorch深度学习框架进行训练，之前用tensorflow-gpu框架训练，到最后才发现其不适用我的3060显卡，可以说，像yolov3这种很早就出现的模型，基本上都不能用30系列的显卡去搭建tensorflow框架，这是硬伤。

其实yolov5-lite是yolov5的简化版本，对yolov5上进行一系列的消融实验，让他更轻（Flops更小，内存占用更低，参数更少），更快（加入shuffle channel，yolov5 head进行通道裁剪，在320的input_size至少能在树莓派4B上一秒推理10帧），更易部署（摘除Focus层和四次slice操作，让模型量化精度下降在可接受范围内）。

为什么选择云端训练？原因有三

1.环境无需自己搭建，直接训练，省时省力，快捷方便

2.训练环境质量好，可以选择的机型多，gpu内存大，训练快

3.自己的电脑再也不用风扇呼呼地响了

4.对于电脑没有gpu的人来说，简直是福音，谁都可以训练，对电脑无任何要求

数据对比

回归正题，我为什么说云端训练与自己训练差别巨大呢？

下图是我用yolov5-lite在自己的电脑上训练300epoachs的结果图

 下图是我在矩池云上训练100epoachs的结果图

 这两个数据的对比可以说是夸张的存在，光看mAP@0.5之前是0.125左右而且波动很大，而之后训练epaochs100，比之前还少200epoachs，mAP竟然达到了惊人的0.88以上

再来看看效果图，我做的是跌倒检测

可以看到基本上很多都能识别，且识别精准率很高 。

对于部署到树莓派或者需要视频实时检测的地方来说，这个检测的精准度已经很高了，完全能够满足实际的需要。

结论总结

对于这个结果，我分析了一下原因

我并不是很完美的能将环境布置的很好，最后布置的训练环境刚好能够训练，但可能与yolov5lite最佳的环境还是有所差别。对于一个已经成型的模型来说，最重要的就是环境搭建，如果环境搭建不好，不仅会经常报错，还会降低训练效果。

所以我采用了矩池云进行训练，那里面有已经布置好的环境，直接训练即可，

最大的好处还是，训练效果好，省去了环境搭建报错的苦恼，有时候甚至搭建几天的环境还是报错，很令人头痛

具体过程大家可以参考我的这篇博客，有详细的介绍

http://t.csdnimg.cn/83keO

感谢大家的阅读,如果你觉得对你有用的话,可以点点赞和收藏,

新人入住,码字不易,感谢大家的喜爱