YOLOv5 神经网络训练（本地训练）

在训练文件train.py中

找到main的部分

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default='', help='model.yaml path')
    parser.add_argument('--data', type=str, default='data/coco128.yaml', help='data.yaml path')
    parser.add_argument('--hyp', type=str, default='data/hyp.scratch.yaml', help='hyperparameters path')
    parser.add_argument('--epochs', type=int, default=300)
    parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs')
    parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes')
    parser.add_argument('--rect', action='store_true', help='rectangular training')
    parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
    parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
    parser.add_argument('--notest', action='store_true', help='only test final epoch')
    parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')
    parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters')
    parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
    parser.add_argument('--cache-images', action='store_true', help='cache images for faster training')
    parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
    parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
    parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')
    parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
    parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')
    parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers')
    parser.add_argument('--project', default='runs/train', help='save to project/name')
    parser.add_argument('--entity', default=None, help='W&B entity')
    parser.add_argument('--name', default='exp', help='save to project/name')
    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
    parser.add_argument('--quad', action='store_true', help='quad dataloader')
    parser.add_argument('--linear-lr', action='store_true', help='linear LR')
    parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
    parser.add_argument('--upload_dataset', action='store_true', help='Upload dataset as W&B artifact table')
    parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval for W&B')
    parser.add_argument('--save_period', type=int, default=-1, help='Log model after every "save_period" epoch')
    parser.add_argument('--artifact_alias', type=str, default="latest", help='version of dataset artifact to be used')
    opt = parser.parse_args()

这里面主要是一些训练的参数 （建议workers 中的default设置为0 这是管理线程的）

tensorboard：可视化工具

hyperparameters：超参数值

wandb：建议你安装wandb库

再讲一下main函数中的参数

--weights：训练好的模型参数路径（如果从头训练 则可以赋值为空）

--cfg：关于模型的配置 可以在models中查看，赋值为相对路径

--data：训练数据集路径 （coco128数据集下载地址可以在coco128.yaml中查看 https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip）也可以选择其他数据集都在data文件夹下的yaml文件中查看下载路径

--hyp：超参数 如上图 scratch为冲头开始的文件，finetune是对模型进行微调

--epochs：训练多少次 步长

--batch-size：把多少个数据打包成一个数据集送到网络中

--img-size：分别设置训练集和测试集的图片大小

--rect：矩阵训练方式(可以参考一下Rect函数详解_coder_Alger的博客-CSDN博客_rect函数)

--resume：是否在当前训练的模型基础上继续进行训练（默认false）需要指定训练模型的位置（yolov5在这个文件夹下面）

--nosave：在模型训练过程中 为ture就是保存最后一次训练的权重数据（核）为pt文件

--notest：是否在最后一个核进行测试

--noautoanchor：是否采用锚点（锚点是网页制作中超级链接的一种，又叫命名锚记，像一个迅速定位器一样，是一种页面内的超级链接，运用相当普遍。使用命名锚记可以在文档中设置标记，这些标记通常放在文档的特定主题处或顶部。然后可以创建到这些命名锚记的链接，这些链接可快速将访问者带到指定位置。创建到命名锚记的链接的过程分为两步。首先，创建命名锚记，然后创建到该命名锚记的链接）默认开启

--evolve：对参数进行进化

--bucket：实现下载作者存放在谷歌云盘上的一些数据（默认是false）

--cache-images：是否对图片进行缓存以至于更好的训练

--image-weights：对训练效果不好的图片加一些相关的权重

--device：cuda device, i.e. 0 or 0,1,2,3 or cpu

--multi-scale：对图片尺寸进行变换

--single-cls 训练数据集是单类别还是多类别 多类别为false

--adam：优化器 true选择adam优化器 false选用随机梯度下降

--sync-bn：多GPU设置

--local_rank：多GPU设置

--workers：是否多线程运行

--project：保存在哪里

--entity：W&B库

--name：结果保存名字

--exist-ok：结果是否保存到一个文件中（是否增加文件存储结果）

--quad：ture使用LoadImagesAndLabels.collate_fn4处理数据 false使用LoadImagesAndLabels.collate_fn处理数据（可以参考what is the new quad dataloader? · Issue #1898 · ultralytics/yolov5 · GitHub）

--linear-lr：如果开启 学习速率就会按照

lf = lambda x: (1 - x / (epochs - 1)) * (1.0 - hyp['lrf']) + hyp['lrf']

的线性方式处理，不开启按照余弦方式处理

lf = one_cycle(1, hyp['lrf'], epochs)

--label-smoothing：标签平滑防止过拟合的情况发生

--upload_dataset：W&B库

--bbox_interval：W&B库

--save_period：对模型打印一些日志 默认值为-1

--artifact_alias：还没实现的变量

Original: https://blog.csdn.net/qq_56630461/article/details/124499667
Author: Indulge in the deam
Title: YOLOv5 神经网络训练（本地训练）