课程名称适应人群YOLOv5原理分析与Pytorch源码深度解读进行深度学习研究的本科生，研究生。 本课程将手把手地带着大家详细解读YOLOv5架构的基本原理，并对基于Pytorch的源代码进行逐行地调试和讲解。本课程将从三个方面来讲解，分别是

课时名称课时知识点程序执行结果文件总结程序的执行结果保存在了runs/exp？下面，对里面的结果进行了总结。

课时名称课时知识点YOLO算法的损失函数介绍了YOLO的损失函数是分类损失classification loss、定位损失 localization loss、置信度损失confidence loss之和；介绍了IoU、GIoU、DIoU和CIoU的

课时名称课时知识点自动混合精度(AMP)训练的原理和流程首先介绍自动混合精度(AMP)训练的原理，详细讲解了为什么要做自动混合精度训练，为什么要做损失放大，为什么要做损失放大系数的自动调整；接着给出了一个简单的程序例子，介绍了AMP训练的流程；最后整

课时名称课时知识点build_targets详细讲解和分析了计算损失函数里面的一个重要子函数buildTargets的全部流程。

课时名称课时知识点YOLOv5源代码实际训练流程详细地讲解了YOLOv5源代码实际训练的主要流程，包括基于自动混合精度训练流程、预训练，累计次数更新等。

课时名称课时知识点compute_loss讲解YOLOv5源代码计算损失的函数compute_loss。还详细地讲解了如何计算定位损失、置信度损失和分类损失。

课时名称课时知识点进度条tqdm和差值interp的用法介绍继续介绍想要调用ap_per_class函数的准备工作；以及举例讲解了进度条tqdm和差值函数interp的用法。

课时名称课时知识点识别结果的保存介绍detect.py源代码中识别结果是如何保存的，并且在屏幕上打印识别结果信息。

课时名称课时知识点detect的推理以及目标框回归介绍YOLOv5s模型的最后一个子模块detect的推理过程，介绍目标框回归的Python语言的pytorch实现方法

课时名称课时知识点AP和mAP的计算讲解了YOLOv5源代码中关于计算AP和mAP的函数ap_per_class。

课时名称课时知识点对测试集分批次推理从测试集中得到每个批次的数据，并进行正向推理计算；同时准备好计算AP的数据status。

课时名称课时知识点训练结果的测试和模型的保存讲解了训练结果的测试、模型训练和测试结果的统计和保存、模型的保存。

课时名称课时知识点非极大值抑制介绍YOLOv5s源代码中的非极大值抑制的python语言实现过程。为了更好理解，讲解了一个简单的例子。

课时名称课时知识点dataset的初始化函数 (2)讲解dataset的init函数后半部分代码，包括（1）标签有效性重复性的检查，（2）测试集的图像读入缓存。

课时名称课时知识点YOLOv5子模块之空间金字塔池化及Python实现SPP（Spatial Pyramid Pooling）模块是一种用于卷积神经网络中的池化层结构，并讲述了其Python语言实现。

课时名称课时知识点从test.py进入__getitem__介绍类LoadImagesAndLables里面的函数__getitem__和collate_fn，从test.py进入getitem。

课时名称课时知识点dataset和dataloader的配合使用介绍YOLOv5源代码里面create_dataloader函数里dataset和dataloader的配合使用。

课时名称课时知识点数据集的读取如果把待识别图像的集合进行封装和读取。如何从迭代器里取出图像。

课时名称课时知识点检查锚点check_anchors检查预先设置的锚点是否和训练数据集相匹配。如果锚点设计的不合理，则用k均值聚类法自适应的计算出一组新的锚点。

课时名称课时知识点模型训练前的部分准备工作模型训练前的部分准备工作，包括导入设置参数opt，导入超参数hyp，准备好tb_writer，训练结果存储的准备，装入预训练模型的参数等。