前言：Hello大家好，我是小哥谈。《YOLOv5：从入门到实战》专栏上线后，部分同学在学习过程中提出了一些问题，笔者相信这些问题其他同学也有可能遇到。为了让大家可以更好地学习本专栏内容，笔者特意推出了该篇专栏答疑，针对同学们在学习过程中所提出的问题进行汇总记录，并不断实时更新，希望能够帮助到大家！🌈
本专栏涵盖了丰富的YOLOv5算法从入门到实战系列教程，专为学习YOLOv5的同学而设计，堪称全网最详细的教程！该专栏从YOLOv5基础知识入门到项目应用实战都提供了详细的手把手教程，欢迎大家订阅并一并探索！
目录
🚀1.报错解决
🚀2.专栏答疑
🚀1.报错解决
💥💥报错1
报错内容：
报错内容如下图所示：
解决方案：
在train.py文件中，大概324行左右，修改下列代码：
# Backward
scaler.scale(loss).backward()在原代码的基础上添加一行代码：
# Backward
torch.use_deterministic_algorithms(False) # 添加代码
scaler.scale(loss).backward()💥💥报错2
报错内容：
FileNotFoundError: [Errno 2] No such file or directory: 'yolov5s.pt'
报错内容如下图所示：
解决方案：
该报错容易发生在新入门的学生中，报错原因是没有准备预训练权重文件。
预训练权重：一般为了缩短网络的训练时间，并达到更好的精度，我们一般加载预训练权重进行网络的训练。而YOLOv5的5.0版本给我们提供了几个预训练权重，我们可以对应我们不同的需求选择不同的版本的预训练权重。通过如下的图可以获得权重的名字和大小信息，可以预料的到，预训练权重越大，训练出来的精度就会相对来说越高，但是其检测的速度就会越慢。预训练权重可以通过下列网址进入然后进行下载，本次训练自己的数据集用的预训练权重为yolov5s.pt。
说明：♨️♨️♨️
预训练权重网址：Release v5.0 - YOLOv5-P6 1280 models, AWS, Supervise.ly and YouTube integrations · ultralytics/yolov5 · GitHub
💥💥报错3
报错内容：
export GIT_PYTHON_REFRESH=quiet
报错内容如下图所示：
解决方案：
在train.py文件开头，添加下列代码：
os.environ["GIT_PYTHON_REFRESH"] = "quiet"具体如图所示：
💥💥报错4
报错内容：
OSError: [WinError 1455] 页面文件太小，无法完成操作。 Error loading "C:\Users\Lenovo\your_path\pytorch\lib\site-packages\torch\lib\cudnn_cnn_infer64_8.dll" or one of its dependencies.
报错内容如下图所示：
解决方案：
在train.py文件中找到parse_opt函数，调小‘--workers’中的default的值来解决。
🚀2.专栏答疑
💥💥问题1
问题内容：
可以把backbone替换成MobileNetv3以后，再更换成BiFPN的结构吗？
笔者回复：
可以的，我看论文有这么做的，您可以试一下效果。
💥💥问题2
问题内容：
添加了注意力机制后，为什么反而降点了呢？
笔者回复：
添加注意力不起作用无外乎两个原因，一是代码错误，二是注意力不适合。代码错误就不说了，而注意力不适合，需要明白：
注意力本身就是一种特征，通过附加到源特征上，实现一种类似特征增强的效果，因此从原理上讲，添加注意力，即使结果不变好，也不见得变差，但实际却经常遇到结果变差的情况。换一种说法，注意力是一组权重，权重附加到特征上，有增强的也有不增强的，当大量权重附加都达到增强效果，而只有少量特征造成负面影响，注意力就整体上增强了。这也是我们常说的注意力强化有用特征而弱化无用特征的作用，但其实鬼知道它强化的是什么特征，它也不可能强化的都是有用特征。注意力不起作用或者起反作用还与添加位置或者数据集等有关系。
所以，总结就是，对于YOLOv5算法，没有绝对涨点的改进操作，添加注意力机制也是如此，所以添加是否有用，需要多加尝试！
说明：♨️♨️♨️
本篇内容笔者会根据情况实时更新，大家有任何问题欢迎指出！
