YOLOv5全面解析教程⑥：模型训练流程详解

OneFlow深度学习框架

已于 2023-03-10 15:02:52 修改

阅读量6.9k

点赞数 8

分类专栏：前沿技术文章标签： YOLO 深度学习人工智能目标检测计算机视觉

于 2023-03-09 12:06:40 首次发布

本文链接：https://blog.csdn.net/OneFlow_Official/article/details/129434477

版权

这篇博客详细解析了YOLOv5的训练流程，包括带权重和不带权重的训练、单GPU及多GPU训练的实施，还介绍了如何恢复中断的训练。SyncBatchNorm在多GPU训练中的应用、评估、推理过程以及训练结果的分析也得到了详述。此外，提供了模型选择、训练技巧和拓展训练到多机的建议。

摘要由CSDN通过智能技术生成

作者 | Fengwen、BBuf

欢迎Star、试用One-YOLOv5：

https://github.com/Oneflow-Inc/one-yolov5

结构项目预览

安装

git clone https://github.com/Oneflow-Inc/one-yolov5  # clone
cd one-yolov5
pip install -r requirements.txt  # install

$ python path/to/train.py --data coco.yaml --weights yolov5s --img 640

2. 不带权重训练

$ python path/to/train.py --data coco.yaml --weights '' --cfg yolov5s.yaml --img 640

$ python train.py  --data coco.yaml --weights yolov5s --device 0

$ python -m oneflow.distributed.launch --nproc_per_node 2 train.py --batch 64 --data coco.yaml --weights yolov5s --device 0,1

注意：

--nproc_per_node 指定要使用多少GPU。举个例子:在上面多GPU训练指令中它是2。
--batch 是总批量大小。它将平均分配给每个GPU。在上面的示例中，每GPU是64/2＝32。
--cfg : 指定一个包含所有评估参数的配置文件。
上面的代码默认使用GPU 0…（N-1）。使用特定的GPU？可以通过简单在 --device 后跟指定GPU来实现。「案例」，在下面的代码中，我们将使用GPU 2,3。

$ python -m oneflow.distributed.launch --nproc_per_node 2 train.py --batch 64 --data coco.yaml --cfg yolov5s.yaml --weights '' --device 2,3

如果你的训练进程中断了，你可以这样恢复先前的训练进程。

# 多卡训练.
python -m oneflow.distributed.launch --nproc_per_node 2 train.py --resume

你也可以通过 --resume 参数指定要恢复的模型路径。

# 记得把 /path/to/your/checkpoint/path  替换为你要恢复训练的模型权重路径
--resume /path/to/your/checkpoint/path

SyncBatchNorm可以提高多gpu训练的准确性，但会显著降低训练速度。它仅适用于多GPU DistributedDataParallel 训练。建议最好在每个GPU上的样本数量较小（样本数量<=8）时使用。

要使用SyncBatchNorm，只需将添加 --sync-bn 参数选项，具体「案例」如下:

关注

专栏目录