YOLOV5训练代码train.py训练参数解析

一，前言

yolov5项目代码中，train.py是用于模型训练的代码，是yolov5中最为核心的代码之一，而代码中的训练参数则是核心中的核心，只有学会了各种训练参数的真正含义，才能使用yolov5进行最基本的训练。

本文讲解的yolov5版本为目前最新的V7.0
yolov5官方GitHub地址: https://github.com/ultralytics/yolov5

二，训练参数解析

yolov5中train.py采用python内置的命令行选项、参数和子命令解析器模块argparse，对用户自定义的命令行选项，参数和子命令进行解析，然后将解析出来的选项，参数和子命令传给代码中需要用到的地方。

注：关于argparse模块的基本使用，可以看我的另一篇博客：
链接: python基础之命令行参数解析模块：argparse.ArgumentParser(add_argument)
强烈建议先学习一下argparse模块的基本使用，要不然模块中有些参数和用法会看不懂，或者边学边看，边看边学。

1，–weights

parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')

解析： 模型预训练权重路径，默认为ROOT / ‘yolov5s.pt’
命令行用法：python train.py --weights yolov5s.pt
注：
1，若在命令行中使用"–weights" 参数，可指定预训练权重文件(路径)；
2，若在命令行不使用"–weights" 参数，则预训练权重文件(路径)为自定义的default默认值；
3，若既使用命令行"–weights" 参数，又自定义了default默认值，则模型使用的是命令行"–weights" 参数指定的预训练权重文件(路径)
4，若不进行预训练，可使用"–weights" 参数指定一个空字符串：“”，或者将default默认值设置为空字符串：“”；
5，若使用yolov5s.pt、yolov5m.pt、yolov5l.pt、yolov5x.pt等yolov5官方预训练权重文件，若没有下载，代码会自动帮你下载，放在ROOT路径下，也就是你yolov5工程项目路径下，但是下载速度一般会很慢，建议先去yolov5官方GitHub中下载好。

2，–cfg

parser.add_argument('--cfg', type=str, default='', help='model.yaml path')
python train.py --cfg yolov5s.pt**

解析：模型结构文件路径，默认为空
命令行用法：python train.py --cfg models/yolov5s.yaml
注：
1，在已经使用"–weights" 参数加载了预训练权重的情况下，可以不使用该参数，模型结构直接使用预训练权重中保存的模型结构；
2，不使用"–weights" 参数使用"–cfg" 参数，表示模型从头开始训练，不进行预训练；
3，“–weights” 参数和"–cfg" 参数必须要有一个，不然代码会报错。

3，–data

 parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')

解析：数据集配置文件路径
命令行用法：python train.py --data data/coco128.yaml
注：
1，如果没有检查到数据集，代码会自动下载coco128数据集，也可以自己下载；
2，把yolov5官方的数据集配置文件中的数据集下载部分内容给注释掉，代码则不会自动下载。

4，–hyp

 parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')

解析：训练超参数配置文件路径
命令行用法：python train.py --hyp data/hyps/hyp.scratch-low.yaml

5，–epochs

parser.add_argument('--epochs', type=int, default=100, help='total training epochs')

解析：训练迭代轮数
命令行用法：python train.py --epochs n
注：
1，epochs表示训练整个训练集的次数，epoch为n表示将整个训练集训练n次。

6，–batch-size

parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')

解析：训练批量大小
命令行用法：python train.py --batch-size n
注：
1，训练批量大小表示每个 mini-batch 中的样本数，batch-size设置为n表示一次性从训练集中获取n张图片送入模型进行训练；
2， batch-size大小需要根据自己设备GPU的资源合理设置。

7，–imgsz, --img, --img-size

parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')

解析：模型训练和验证时输入图片的尺寸
命令行用法：python train.py --imgsz/img/–img-size 640

8，–rect

parser.add_argument('--rect', action='store_true', help='rectangular training')

解析：矩形训练，默认关闭
命令行用法：python train.py --rect
注：
1，矩形训练过程中会对输入的矩形图片进行预处理，通过保持原图高宽比进行resize后，对resize后的图片进行填充，填充到32的最小整数倍，然后进行矩形训练，减少训练时间。

9，–resum

parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')

解析：断点续训，默认关闭
命令行用法：python train.py ----weights /path/last.pt --rect
注：
1，断点续训就是从上一个训练任务中断的地方继续训练，直至训练完成；
2，当模型按指定的epoch训练完成后，则无法进行断点续训；
3，需要搭配"–weights" 参数使用，指定训练中断保存的最后一次模型权重文件。

10，–nosave

parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')

解析：只保留最后一次训练的权重，默认关闭
命令行用法：python train.py --nosave

11，–noval

parser.add_argument('--noval', action='store_true', help='only validate final epoch')

解析：只对最后一次训练进行验证，默认关闭
命令行用法：python train.py --noval

12，–noautoanchor

parser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')

解析：关闭自动计算锚框功能，默认关闭
命令行用法：python train.py --noautoanchor
注：
1，yolov5采用的是kmeans聚类算法来计算anchor box的大小和比例，最终自动计算出一组最合适训练的锚框。

13，–noplots

parser.add_argument('--noplots', action='store_true', help='save no plot files')

解析：不保存可视化文件
命令行用法：python train.py --noplots

14，–evolve

parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')

解析：使用超参数优化算法进行自动调参，默认关闭
命令行用法：python train.py --evolve n
注：
1，yolov5采用遗传算法对超参数进行优化，寻找一组最优的训练超参数；
2，开启后传入参数n，训练每迭代n次进行一次超参数进化；
3，开启后不传入参数，则默认为const=300。

15，–bucket

parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')

解析：从谷歌云盘下载或上传数据
命令行用法：python train.py --bucket gsutil bucket
注：
1，该参数用于指定 gsutil bucket 的名称，其中 gsutil 是 Google 提供的一个命令行工具，用于访问 Google Cloud Storage（GCS）服务；
2，GCS 是 Google 提供的一种对象存储服务，用户可以将任意数量和类型的数据存储在其中。用户可以通过 gsutil 命令行工具上传、下载、复制、删除等操作 GCS 中的数据。在训练模型时，如果需要使用 GCS 中的数据集，就需要指定 bucket 的名称。

16，–cache

parser.add_argument('--cache', type=str, nargs='?', const='ram', help='image --cache ram/disk')

解析：缓存数据集，默认关闭
命令行用法：python train.py --cache
注：
1，缓存数据集图片到内存中，训练时模型直接从内存中读取，加快数据加载和训练速度
2，若"–cache"参数指定值，可以指定的；值：ram/disk；
3，若"–cache"参数不指定值，则默认为const=‘ram’。

17，–image-weights

parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')

解析：对数据集图片进行加权训练，默认关闭
命令行用法：python train.py --image-weights --rect
注：
1，需要搭配"–rect"参数一起使用。

18，–device

parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')

解析：选择训练使用的设备处理器，CPU或者GPU，默认为空
命令行用法：python train.py --device 0/0,1,2,3/cpu
注：
1，默认为空时，代码会进行自动选择，若检查到设备有GPU则优先使用GPU进行训练，若没有则使用CPU进行训练；
2，使用GPU训练时，0,1,2,3分别表示第1，2，3，4张GPU；
3，设备没有GPU，使用CPU训练：
python train.py --device cpu
4，设备有单个GPU，使用单个GPU训练：
python train.py --device 0
5，设备有多个GPU，使用单个GPU训练：
python train.py --device 0 （使用第1张GPU训练）；
python train.py --device 2 （使用第3张GPU训练）；
6，设备有多个GPU，使用多个GPU训练：
python train.py --device 0,1,2（使用第1,2,3张GPU训练训练）。

19，–multi-scale

parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')

解析：多尺度训练，默认关闭
命令行用法：python train.py --multi-scale
注：
1，开启多尺度训练，训练过程中每次输入图片会放大或缩小50%。

20，–single-cls

parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class'

解析：单类别训练，默认关闭
命令行用法：python train.py --single-cls

21，–optimizer

parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='SGD', help='optimizer')

解析：选择训练使用的优化器，默认使用SGD
命令行用法：python train.py --optimizer SGD
注：
1，choices=[‘SGD’, ‘Adam’, ‘AdamW’]表示只能选择’SGD’, ‘Adam’, 'AdamW’这三种优化器，当然也可以添加自定义的优化器，但代码中其他地方也要做相应的更改。

22，–sync-bn

parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')

解析：使用SyncBatchNorm(Synchronized Batch Normalization：同步批量归一化)，只有在使用DDP模式(分布式训练)时有效，默认关闭
命令行使用方法：python train.py --sync-bn
注：
1，关闭时，训练使用传统的批量归一化；
2，在传统的批归一化（Batch Normalization，简称 BN）中，每个 GPU 会对数据的均值和方差进行单独计算，因此在多 GPU 训练时，每个 GPU 计算的均值和方差可能会不同，导致模型训练不稳定。为了解决这个问题，SyncBN 技术将 BN 的计算放在了整个分布式训练过程中进行，确保所有 GPU 上计算的均值和方差是一致的，从而提高模型训练的稳定性和效果，但同时也会增加训练时间和硬件要求，因此需要根据具体的训练数据和硬件资源来决定是否使用 SyncBN。

23，–workers

parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')

解析：设置Dataloader使用的最大numworkers，默认设置为8
命令行使用方法：python train.py --workers 8
注：
1，Dataloader中numworkers表示加载处理数据使用的线程数，使用多线程加载数据时，每个线程会负责加载和处理一批数据，数据加载处理完成后，会送入相应的队列中，最后主线程会从队列中读取数据，并送入GPU中进行模型计算；
2，numworkers为0表示不使用多线程，仅使用主线程进行数据加载和处理。

24，–project

parser.add_argument('--project', default=ROOT / 'runs/train', help='save to project/name')

解析：设置每次训练结果保存的主路径名称
命令行用法：python train.py --project ‘runs/train’
注：
1，这里主路径的意思是，你每次训练会生成一个单独的子文件夹，主路径就是存放你这些单独子文件夹的地方，可以自己命名，例如’runs/train’。比如说你第一次训练保存结果的文件夹是exp1，第二次是exp2，第三次是exp3，则这些子文件夹都会放在主路径’runs/train’下面。

25，–name

parser.add_argument('--name', default='exp', help='save to project/name')

解析：设置每次训练结果保存的子路径名称
命令行用法：python train.py --name exp
1，这里子路径的意思是就是上面在’–project’中提到的每次训练生成的单独的子文件夹，可以自己命名，例如’exp’。你每次训练生成的模型权重文件、可视化结果以及其它结果文件保存的地方。

26，–exist-ok

parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')

解析：是否覆盖同名的训练结果保存路径，默认关闭，表示不覆盖
命令行用法：python train.py --exist-ok
注：
1，不使用’–exist-ok’参数时，如果’–name’指定的名称不变，比如’exp’，每次训练会按顺序新建文件夹，例如exp1、exp2、exp3、… 、expn；
2，使用’–exist-ok’参数时，如果’–name’指定的名称不变，比如’exp’，每次训练则不会新建文件夹，训练结果会覆盖原先文件夹中保存的所有结果。

27，–quad

parser.add_argument('--quad', action='store_true', help='quad dataloader')

解析：是否使用quad dataloader，默认关闭
命令行用法：python train.py --quad
注：
quad dataloader 是一种数据加载器，它可以并行地从磁盘读取和处理多个图像，并将它们打包成四张图像，从而减少了数据读取和预处理的时间，并提高了数据加载的效率。

28，–cos-lr

parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler')

解析：训练学习率衰减策略使用余弦退火策略，默认关闭
命令行用法：python train.py --cos-lr
注：
1，余弦退火策略在训练初期加快学习速度，训练后期减小学习率，从而更好地学习数据的分布，避免模型陷入局部最优。

29，–label-smoothing

parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')

解析：训练使用标签平滑策略，防止过拟合
命令行用法：python train.py --label-smoothing
注：
1，默认为0.0，即标签平滑策略使用的epsilon为0.0；
2，将标签平滑策略使用的epsilon设置为0.1：
python train.py --label-smoothing 0.1
表示在每个标签的真实概率上添加一个 epsilon=0.1的噪声，从而使模型对标签的波动更加鲁棒；
3，–label-smoothing 参数的值应该根据具体的数据集和模型来调整，以达到最优的训练效果。

30，–patience

parser.add_argument('--patience', type=int, default=100, help='EarlyStopping patience (epochs without improvement)')

解析：训练使用EarlyStopping策略，防止过拟合
命令行用法：python train.py --patience 100
注：
1，‘–patience’参数指定为整数n时，表示模型在训练时，若连续n个epoch验证精度都没有提升，则认为训练已经过拟合，停止训练。’–patience’可根据具体的模型和数据集进行调整。

31，–freeze

parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone=10, first3=0 1 2')

解析：训练使用冻结训练策略，默认关闭
命令行用法：python train.py --freeze
注：
1，冻结训练是指在训练过程中冻结模型中的某些层，冻结的层不进行权重参数更新；
2，指定’0’或’-1’，不冻结任何层，更新所有层的权重参数：
python train.py --freeze 0/-1
3，指定n，冻结前n(0<n<=10)层，即只更新前n层的权重参数：
python train.py --freeze n

32，–save-period

parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')

解析：每训练n个epoch保存一次训练权重，默认关闭
命令行用法：python train.py --save-period n
注：
1，n>0，每训练n个epoch保存一次训练权重；
2，n<=0，关闭save-period，只保存best和last权重。

33，–seed

parser.add_argument('--seed', type=int, default=0, help='Global training seed')

解析：设置训练使用的全局随机种子
命令行用法：python train.py --seed n
注：
1，在训练过程中，有很多地方会使用到随机种子，例如数据加载和处理阶段或模型初始化阶段，随机种子可以保证每次生成的结果都一致，从而有利于代码的可复现性。

34，—local_rank

parser.add_argument('--local_rank', type=int, default=-1, help='Automatic DDP Multi-GPU argument, do not modify')

解析：是否使用分布式训练，默认关闭
命令行用法：python train.py --local_rank 0,1,2,3
注：
1，如果你有 4 个 GPU，想要使用第 2 号和第 3 号 GPU 进行训练，那么可以在启动训练脚本时设置如下参数：
python train.py --local_rank 1,2
这样，第一个进程将使用第 2 号 GPU，第二个进程将使用第 3 号 GPU。注意，如果使用了 --local_rank 参数，那么在启动训练脚本时需要使用 PyTorch 的分布式训练工具，例如 torch.distributed.launch。

35，–entity

parser.add_argument('--entity', default=None, help='Entity')

解析：用于指定模型实体的参数
命令行用法：python train.py --entity None
注：
1，模型实体可以是一个实体名称或实体 ID，通常用于在实体存储库中管理模型的版本控制和记录。
在使用实体存储库时，你需要创建一个实体来存储模型，并在训练时指定该实体，这样训练结果就可以与该实体相关联并保存到实体存储库中。
该参数默认值为 None，如果未指定实体，则训练结果将不会与任何实体相关联。

36，–upload_dataset

parser.add_argument('--upload_dataset', nargs='?', const=True, default=False, help='Upload data, "val" option')

解析：用于上传数据集，默认关闭
命令行使用方法：python train.py --upload_dataset False
注：
1，如果命令行未使用’–upload_dataset’参数，则默认值为default=False，表示不上传数据集。
2，如果命令行使用’–upload_dataset’参数，但没有传递参数，则默认值为const=True，表示上传数据集。
3，如果命令行使用’–upload_dataset’参数，并且传递了参数’val’，则默认为True，表示要上传val数据集。

37，–bbox_interval

parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval')

解析： 指定在训练过程中每隔多少个epoch记录一次带有边界框的图片，默认关闭
命令行使用方法：python train.py --bbox_interval n
注：
1，n>0，每隔n个epoch记录一次带有边界框的图片；
2，n<=0，关闭–bbox_interval。

38，–artifact_alias

parser.add_argument('--artifact_alias', type=str, default='latest', help='Version of dataset artifact to use')

解析：用于指定要使用的数据集工件的版本别名。
命令行使用方法：python train.py --artifact_alias latest
注：
1，在使用MLFlow等工具跟踪模型训练和数据集版本时，会给每个版本分配唯一的别名。通过指定此参数，可以使用特定版本的数据集工件。默认情况下，使用最新版本的数据集工件。