本文详细解析了GitHub上的YOLOv5开源项目中训练神经网络的关键参数，包括--weights、--cfg、--data、--epochs等，并介绍了它们的默认值和应用场景。同时，文章展示了训练结果的保存路径，帮助读者理解如何调整参数以优化训练流程。
本专栏将从安装到实例运用全方位系列讲解 GitHub YOLOv5 开源代码。
专栏地址：GitHub YOLOv5 开源代码项目系列讲解
目 录
1 总述
利用 yolov5 进行训练神经网络用到的是开源项目源码中的 train.py。
我们可对其 main 函数的红框部分进行调整参数。
2 参数详解
2.1 --weights
parser.add_argument('--weights', type=str, default='', help='initial weights path')可以用于指定一个训练好的模型路径，用这个模型初始化模型中一些参数（首先需要提前下载或运行程序时会自动下载）
default 默认为空，意义是用程序的参数权重进行初始化，而不用已经训练好的模型进行初始化。
default 值可设置为：
- Yolov5s.pt
- Yolov5m.pt
- Yolov5l.pt
- Yolov5x.pt
2.2 --cfg
parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='model.yaml path')cfg 为 configuration（设置）的缩写，用于进行模型的配置。
default 用于选择 model 文件。
其设置值可在此文件夹中找到：
2.3 --data
parser.add_argument('--data', type=str, default='data/coco128.yaml', help='data.yaml path')用于指定训练数据集。
其设置值可在此文件夹中找到：
2.4 --hyp
parser.add_argument('--hyp', type=str, default='data/hyp.scratch.yaml', help='hyperparameters path')用于设置超参数（一般用不到）。
其设置值可在此文件夹中找到，源码中提供了两个文件：
- hyp.finetune.yaml：设置了一些训练 VOC 数据集时用到的超参数
- hyp.scratch.yaml：设置了一些训练 COCO 数据集时用到的超参数
2.5 --epochs
parser.add_argument('--epochs', type=int, default=300)用于设置训练的轮数。
源码中 default 值为 300，训练轮次则显示为 0~299。
2.6 --batch-size
parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs')用于设置一次跑多少的数据输入到网络当中。不设置时默认为16。
2.7 --img-size
parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes')用于分别设置训练集和测试集的大小。
两个数字前者为训练集大小，后者为测试集大小。
2.8 --rect
parser.add_argument('--rect', action='store_true', help='rectangular training')用于设置矩阵的训练方式。
作用是减去一些不必要信息，加速模型推理过程。
2.9 --resume
parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')用于设置是否在最近训练的一个模型基础上继续训练。
default 值默认是 false，当想要 default 为 true 时必须指定在哪个模型上继续训练。指定的模型路径按字符串形式赋值给 default。
2.10 --nosave
parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')生效后只保存最后一次 pt 文件。
2.11 --notest
parser.add_argument('--notest', action='store_true', help='only test final epoch')生效后只在最后一次进行测试。
此类参数被激活的条件是填入到 Edit Configuration --> Parameters 中，若有多个被激活参数，中间用空格隔开即可。
2.12 --noautoanchor
parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')用于设置在目标检测任务中是否采用锚点 / 锚框。
遍历输入图像上所有可能的像素框，然后选出正确的目标框，并对位置和大小进行调整就可以完成目标检测任务。
默认开启，用这种方式来简化模型训练过程。
2.13 --evolve
parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters')生效后对超参数进行净化。
作用是寻找最优超参数的方式，方法是利用遗传算法自动搜索超参数。
默人不开启。
2.14 --bucket
parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')这个参数是 yolov5 作者将一些东西放在谷歌云盘，可以进行下载。
2.15 --cache-images
parser.add_argument('--cache-images', action='store_true', help='cache images for faster training')生效后将对图片进行缓存，以便更好地进行训练。
2.16 --image-weights
parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')生效后对于那些训练不好的图片，会在下一轮中增加一些权重。
2.17 --device
parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')用于设置运行 pytorch 框架的使用设备，是用 GPU cuda，还是 cpu，适用于设置这些内容的。
2.18 --multi-scale
parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')用于对图片尺度进行变换。
2.19 --single-cls
parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')用于设定训练数据集是单类别还是多类别。
默认为 false，意味着是多类别。
2.20 --adam
parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')生效后作为优化器来使用。
填入到 Edit Configuration --> Parameters 中即为 true ，意味着要用此优化器；否则为 false，为 false 时用的是随机梯度下降（SGD）优化算法。
2.21 --sync-bn
parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')生效后进行多 GPU 进行分布式训练。
2.22 --local_rank
parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')DistributedDataParallel 单机多卡训练，一般不改动。
2.23 --workers
parser.add_argument('--workers', type=int, default=0, help='maximum number of dataloader workers')这里强烈建议 default 设置为 0。
2.24 --project
parser.add_argument('--project', default='runs/train', help='save to project/name')用于指定训练好的模型的保存路径。
2.25 --entity
parser.add_argument('--entity', default=None, help='W&B entity')wandb 库对应的东西，作用不大，不必考虑。
这里补充一点：
关闭 wandb 的方法是：在源码 tree 下找到 util --> wandb_logging --> wandb_utils.py 文件，在 18 行左右的位置之后，加一句 “wandb = None”，即可关闭。（因为 wandb 库需要另外安装，而且其作用不大，这里提供一种忽略方法）
2.26 --name
parser.add_argument('--name', default='exp', help='save to project/name')用于设定保存的模型文件名。
2.27 --exist-ok
parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')用于设定预测结果的保存存在位置情况。
当不激活时为 false，在新命名的文件夹下保存。
当激活时为 true，在 name 指定文件夹下保存，源码中保存在 exp 文件夹下
对应示例图片在 《GitHub YOLOv5 开源代码项目系列讲解（三）------预测相关参数解释》 博文 2.17 部分可以找到。
2.28 --quad
parser.add_argument('--quad', action='store_true', help='quad dataloader')解释为 quad 数据加载的相关设置。
简单理解，生效后可以在比前面 “--img-size” 部分设置的训练测试数据集更大的数据集上训练。
- 好处是在比默认 640 大的数据集上训练效果更好
- 副作用是在 640 大小的数据集上训练效果可能会差一些
2.29 --linear-lr
parser.add_argument('--linear-lr', action='store_true', help='linear LR')用于对学习速率进行调整
默认为 false，含义是通过余弦函数来降低学习率。
注：当我们使用梯度下降算法来优化目标函数的时候，当越来越接近Loss值的全局最小值时，学习率应该变得更小来使得模型尽可能接近这一点，而余弦退火（Cosine annealing）可以通过余弦函数来降低学习率。
生效之后则转变为通过线性处理来降低学习率。
2.30 --label-smoothing
parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')用于对标签进行平滑处理。
作用是防止在分类算法中过拟合情况的产生。
2.31 --upload_dataset
parser.add_argument('--upload_dataset', action='store_true', help='Upload dataset as W&B artifact table')wandb 库对应的东西，作用不大，不必考虑。
2.32 --bbox_interval
parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval for W&B')这又是一个与 wandb 库相关的参数设置，作用不大，忽略。
2.33 --save_period
parser.add_argument('--save_period', type=int, default=-1, help='Log model after every "save_period" epoch')用于记录训练日志信息，int 型，默认为 -1。
2.34 --artifact_alias
parser.add_argument('--artifact_alias', type=str, default="latest", help='version of dataset artifact to be used')这一行参数表达的是想实现但还未实现的一个内容，忽略即可。亲测注释掉整个程序也可运行。
3 训练结果展示
保存位置
以上就是关于训练相关参数解释的所有内容，感谢阅读！
扫一扫
5661
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
