当YOLOv5的训练P、R、mAP等指标为0时，通常有以下一些原因：
数据集质量不佳：检查数据集中是否存在较大的类别不平衡或者太多的噪声。可能需要重新清理数据集以确保标签正确且具有可解释性。
学习率过高或过低：首先尝试将学习率降低到一个更合适的水平，并考虑使用学习率调度程序来优化训练过程。
模型过于简单：如果模型过于简单，则很难从样本中学习到有效的特征。考虑增加网络的深度和宽度，或使用更复杂的网络结构。
训练时间太短：如果训练时间太短，则模型可能没有足够的时间来收敛到最佳状态。尝试在训练期间增加迭代次数并监视 P、R、mAP等指标变化。
预处理步骤出现问题：确保数据预处理流程正确，例如确保使用正确的缩放方式和颜色空间转换，以及应用正确的数据增强策略。
GPU内存问题：监控GPU显存使用情况，如果显存占用过高，可以尝试减少batch size或者减少图像分辨率。
可以尝试cuda=11.7的版本，配置对应的pytorch=1.13.0 版本
需要注意的是，P、R、mAP等指标为0并不一定意味着模型无效。在使用YOLOv5进行目标检测时，还应该根据模型在实际场景中的性能来评估其有效性。