yolov5训练的小技巧

从数据集上

• 每个类别的图片数：推荐每个类别的图片数>=1500
• 每个类别的实例数：每个类的实例（标记对象）>=10000
• 图片多样性：必须使用已部署的环境为代表。对于真实用例，我们推荐来自一天中不同时间、不同季节、不同天气、不同光照、不同角度、不同来源（在线抓取、本地收集、不同相机）等的图像。
• 标签一致性：所有图像中所有类的所有实例都必须标记。部分标签将不起作用。
• 标签准确性：标签必须紧密地包围每个对象。对象与其边界框之间不应存在空间。任何对象都不应缺少标签。
• 背景图片：背景图像是没有对象的图像，这些图像被添加到数据集中以减少误报（FP）。推荐使用0-10%左右的背景图片来帮助减少FPs（COCO有1000张背景图片可供参考，占总数的1%）。背景图像不需要标签。

从模型选择上

YOLOv5x和YOLOv5x6等较大的模型几乎在所有情况下都会产生更好的结果，但参数更多，需要更多的CUDA内存来训练，并且运行速度较慢。对于移动部署，推荐YOLOv5s/m，对于云部署，推荐YOLOv5l/x。

• 从预训练权重开始。推荐用于中小型数据集（即VOC、VisDrone、GlobalWheat）。将模型的名称传递给–weights参数，模型会从最新的YOLOv5版本中自动下载。
• 从头开始。推荐用于大型数据集（即COCO、Objects365、Olv6）。传递你感兴趣的模型架构yaml，以及一个空的–weights参数。
• P6模型。5.0版本中引入的P6模型，例如YOLOv5s6、YOLOv5m6等，在步幅为64处具有第四个输出层，并且在大多数用例中产生更好的结果，尤其是对于较大的图像。所有的P6模型都在 --img 1280 下进行训练。

训练设置

在修改任何东西之前，首先使用默认设置进行训练以建立性能基线。train.py设置的完整列表可以在train.py argparser中找到。

• Epochs。 从300个epoch开始。如果这过早拟合，那么可以减少epochs。如果在300个epoch后没有发生过拟合，则训练更长时间，即600、1200等epoch。
• Image size。COCO以 --img 640 的原始分辨率进行训练，但由于数据集中的大量小对象，它可以从更高分辨率的训练中受益，例如 --img 1280。如果有许多小对象，那么自定义数据集将受益于本机或更高分辨率的训练。最佳推理结果是与运行训练相同的 --img 处获得的，即如果在 --img 1280 处训练，还应该在 --img 1280 处进行测试和检测。
• Batch size。使用硬件允许的最大 --batch-size 。小批量会产生较差的批量规范统计数据，应避免使用。
• 超参数。默认超参数在hyp.scratch.yaml中。建议先使用默认超参数进行训练，然后再考虑修改任意超参数。一般来说，增加增强超参数将减少和延迟过拟合，允许更长的训练和更高的最终mAP。减少损失分量增益超参数（如hyp[‘obj’]）将有助于减少那些特定损失分量的过度拟合。

来自yolov5教程。