yolov5载入训练过的模型之后，loss会飙升的解决方法。

原因：

每次重新运行代码之后，学习率会重置，导致学习率过高从而开始升高损失。

yolov5的学习率下降模型，是one_cycle.

def one_cycle(y1=0.0, y2=1.0, steps=100):
    # lambda function for sinusoidal ramp from y1 to y2 
    return lambda x: ((1 - math.cos(x * math.pi / steps)) / 2) * (y2 - y1) + y1

图片长下面这样。

学习率又会有一次升高回落的过程。

解决方法：

采用其他的学习率方法，如余弦退火，线性降低等。
在train.py中,将代码修改如下情况即可（采用了余弦退火，同时承接了上次one_cycle的学习率最小值），便于继续训练。

    # Scheduler  
    if opt.linear_lr:
        lf = lambda x: (1 - x / (epochs - 1)) * (1.0 - hyp['lrf']) + hyp['lrf']  # linear
    else:
        #lf = one_cycle(1, hyp['lrf'], epochs)  # cosine 1->hyp['lrf']
        lf = lambda x: ((1 + math.cos(x * math.pi / epochs)) / 2) * 0.1 + 0.005
    scheduler = lr_scheduler.LambdaLR(optimizer, lr_lambda=lf)  # plot_lr_scheduler(optimizer, scheduler, epochs)

参考 ：

OneCycleLR学习率的原理与使用
YOLOv5的Tricks | 【Trick6】学习率调整策略（One Cycle Policy、余弦退火等）