关于预训练模型：这是一种非常常见的做法（尤其是在图像识别中），这就是我们如何使用它。

假设您想识别不同类型的食物（牛肉、猪肉、蔬菜……）。你知道一些网络已经存在，可以识别所有类型的物体（船、汽车、食物、沙发……）。迁移学习的目标是使用这些模型并使其适应您的任务，因此您选择一个已经训练过的模型，然后再次训练它，但仅使用您的数据（在我们的示例食物类型中）。能够识别和区分不同的对象对你的任务来说并不是没有用的，所以即使你的网络没有做与初始模型相同的事情，初始模型所学到的东西也会被用作学习任务的基础。

我们称之为微调模型，它基本上是使用一个复杂的网络，由于数据集不够大而无法训练，并且只是调整它以执行我们的专门任务。

在您的教程中，数据集 Coco128 由 128 张图像组成，这不足以训练像 YOLOv5 这样大的模型。因此，您使用预训练的权重并使用您的数据集对其进行微调。据我了解，本教程的目的是了解模型如何过度拟合这 128 张图像。

关于验证，我们通常将数据集分为 3 个部分：

1. 训练集：用于训练模型。（~80% 数据集）
2. 测试集：用于测试训练好的模型，这部分是用来估计模型准确性的部分。（~15% 数据集）
3. 验证集：在最后使用，以验证我们的模型是否正常工作。（~5% 数据集）

在许多情况下，测试和验证数据集是相同的（因为验证数据集通常不是必需的）。

在你的教程中，他们所说的验证集就是我通常所说的测试数据集，它和训练集是一样的，所以基本上你所有的集都是一样的。（这样做非常非常不常见，但由于本教程的目标是了解我们如何过拟合这个集合，所以在这里很有意义）。