【 YOLOv5】目标检测 YOLOv5 开源代码项目调试与讲解实战（3）-训练yolov5模型（本地）

训练yolov5模型（本地）

• [训练文件 train.py](#训练文件 train.py)
• • 训练如下图
• 一些参数的设置
• • weights:
  • • 对于weight参数，可以往Default参数中填入的参数有
  • cfg：（缩写）
  • • cfg参数可以选择的网络模型
  • data
  • • 对于data
  • [hyp 超参数](#hyp 超参数)
  • [epochs 训练多少轮](#epochs 训练多少轮)
  • [batch-size 把多少数据打包成一个batch，送到网络当中](#batch-size 把多少数据打包成一个batch，送到网络当中)
  • img-size
  • rect：矩阵的训练方式
  • resume
  • nosave
  • notest
  • [noautoanchor 锚点](#noautoanchor 锚点)
  • evolve
  • bucket
  • cache-image
  • image-weight
  • device
  • multi-scale
  • single-cls
  • [adam 优化器](#adam 优化器)
  • sync-bn
  • local_rank
  • project
  • entity
  • name
  • exist-ok
  • quad
  • linear-lr
  • Label-smoothing
  • save-period

训练文件 train.py

往下翻，找到main函数

这里的works最好设置为0

运行如图，下载coco数据集中

超参数：学习速率等各种参数

库：显示权重

训练如下图

出现数据集下载的问题可以参考下面的解决方法
Dataset autodownload failure

训练文件保存的目录

如果没有发现该文件夹可以进行刷新

best.pt ：在哪个训练轮数当中最好效果的网络模型参数

last.pt：最后一个训练的网络模型

hyp.yaml :训练过程中对模型的一些超参数

labels.jpg：标注的分布

labels_correlogram:标注的一些相关矩阵

opt.yaml:在训练过程中对参数的一些设置

results.txt：对训练结果的一些记录

tran_batch0.jpg：训练的一些图片

一些参数的设置

weights:

指定训练好模型的路径，用该模型去初始化网络中的一些参数（自动去下载这些模型），如果我自己拥有一个训练好的模型，放在某一个路径，把这个路径放进来，就会用我训练好的模型作为训练过程中模型的参数初始化。

但是我们现在的训练一般是从头开始训练，所以这里默认为空，采用程序对参数的权重对它初始化，不采用训练好的模型对他初始化

对于weight参数，可以往Default参数中填入的参数有

cfg：（缩写）

关于模型的一些配置，一般都存在model里面，

整个yolov55总共可以分为4个模型，

里面都是模型参数的一些设置

nc:模型应该分为多少个类

depth_multiple:模型的一些深度

如果选择小模型复制路径填入default

修改之后的代码为

我们现在来训练模型，这个模型的结构是yolov5s,其中的一些模型初始化的参数采用程序之中的简单初始化，不用其他已经训练好的模型来指定参数初始化

cfg参数可以选择的网络模型

data

指定训练数据集

download :指定从哪里下载数据集，没法下载就从浏览器复制地址粘贴下载

train:指定coco数据集应该下载到什么地方

nc:总共有多少个类别

names:每个类别的名称是什么

0 类别代表人

对于data

hyp 超参数

scratch 从头开始，一般把这个文件作为从头开始训练的文件

finetune:用于对模型进行一个微调

epochs 训练多少轮

默认300轮

batch-size 把多少数据打包成一个batch，送到网络当中

img-size

去分别设置训练集，和数列集的大小

5s对应640

rect：矩阵的训练方式

加速模型。减少不必要信息

resume

从最近训练的一个模型当中在它的基础上进行一个训练

默认是false，但并不是设置为ture就是能运行的，需要指定在哪一个模型的基础上进行一个继续的训练，需要告诉它模型处在什么地方，所以default 后应该设置为模型的位置

需要指定之前训练的模型文件，因为需要读取模型文件和相应的配置

运行就是从该模型停止的地方继续

nosave

我们在一个模型上训练很多次，如果设置为true，就生效了，只保存最后一次epoch训练的模型的一些权重数据，保存为pt文件

notest

是否只对最后一个epoch进行测试，按理说是对每个epoch上进行测试

noautoanchor 锚点

在目标检测算法中，大致可以分为有锚点的模型和没有锚点的模型

这里建议去查一下锚点锚框的相关知识

以前要是在图片中检测目标的话，要在图片上进行一个遍历，比如滑动窗口。现在都采用锚点的方式。

指定参数就会把锚点取消，默认是开启的

evolve

默认开启，对参数进行进化，寻找最优参数的方式

如果不明白参数是什么意思，可以去百度复制一下询问

bucket

作者之前把一些东西放在谷歌云盘上了，通过这个可以直接下载

cache-image

是否把图片缓存用于更好的训练

image-weight

从我们上一轮的测试过程中，对于哪些测试图片/测试部分，测试效果不好，在下一轮的训练过程中会对这些图片加一些相关的权重

device

设备

multi-scale

对图片尺寸进行变换

single-cls

训练的数据集是单类别还是多类别

adam 优化器

true选择优化器，false选择随机梯度下降

sync-bn

带DDP字眼的可以不用看了

分布式训练，多cpu

local_rank

DDP参数，不要去改

project

文件默认位置

entity

库，不用管

name

保存的文件名

exist-ok

不设置会存在exp1,2,3,4,5

设置了就存在一个exp里面

quad

按住ctrl+F可以找到的单词在什么位置，看源码

或者在问题里查询

linear-lr

对学习速率进行调整

Label-smoothing

标签平滑

save-period

程序日志