参数详解：yolov7模型 训练部分（train.py）

cfg→training下面的yolov7配置文件具体见原作者的博客yolov7.yaml文件详解_yolov7 yaml-CSDN博客

二是data文件下的数据相关配置文件和超参数配置文件

三、train参数详解

1、weights（权重）

parser.add_argument('--weights', type=str, default='yolov7.pt', help='initial weights path')

网络权重，默认是'yolov7.pt'可根据需求设置不同尺寸大小的权重

2、cfg（权重的一些重要信息文件）

parser.add_argument('--cfg', type=str, default='yolov7.yaml', help='model.yaml path')

        指定模型配置文件路径的；源码里面提供了几个配置文件，配置文件里面指定了一些参数信息和backbone的结构信息。

3、data（数据）

parser.add_argument('--data', type=str, default='datasets/Drozy/data_Drozy.yaml', help='data.yaml path')

4、hyp（超参数）

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

        里面包含了超参数的信息

5、 epochs（训练的代数）

parser.add_argument('--epochs', type=int, default=300)

6、batch-size

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

        每批次的输入数据量；default=-1将时自动调节batchsize大小，default=16，代表一次输入16张图片进行训练。

7、img-size

parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes')

        8的倍数：不满足是会自动向上最小调整

8、rect矩形训练？？？

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

        图像是否采用矩形的方式去训练模型，采用矩阵推理的话就不要求送入的训练的图片是正方形了——默认好像是否##########################

9、resume（断点训练）

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

断点续训：即是否在之前训练的一个模型基础上继续训练，default 值默认是 false

假如你想进行断点训练，那就先将default=True

随后输入

python train.py --resume runs/train/exp_yolov7-tiny-2/weights/last.pt    

10、nosave

        不使用，不管

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

        是否保存最后一轮的pt文件，我们默认保存的是best.pt和last.pt

11、notest

不使用，不管

parser.add_argument('--notest', action='store_true', help='only test final epoch')

12、noautoanchor自动锚框

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

最好使用，默认开启

是否禁用自动锚框；默认是开启的，可以简化训练过程；

在这里解释一下anchor

人工标注的边框（bounding box，有时简写bbox 或者 box）是人告诉机器的正确答案叫ground truth bounding box，简写 gt bbox或者gt box，表示已知正确的意思。
程序生成的一堆box，想要预测正确的gt box，这些生成的box叫anchor。

在这里介绍两个指标

bpr（best possible recall）
aat（anchors above threshold）

当配置文件中的anchor计算bpr（best possible recall）小于0.98时才会重新计算anchor。
best possible recall最大值1，如果bpr小于0.98，程序会根据数据集的label自动学习anchor的尺寸

13、evolve

parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters')

        超参数进化，模型提供的默认参数是通过在COCO数据集上使用超参数进化得来的（由于超参数进化会耗费大量的资源和时间，如果默认参数训练出来的结果能满足你的使用，使用默认参数也是不错的选择）默认不开启

14、bucket
parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
谷歌云盘；通过这个参数可以下载谷歌云盘上的一些东西。

15、cache-images缓存图片到内存

parser.add_argument('--cache-images', action='store_true', help='cache images for faster training')

        是否提前缓存图片到缓存，以加快训练速度，默认为False

在train.py中修改，一劳永逸：添加 const='ram'

# const='ram'缓存到内存
parser.add_argument('--cache', type=str, nargs='?', const='ram', help='--cache images in "ram" (default) or "disk"')

16、image-weights加权训练图像，解决样本图片不平衡问题

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

        是否启用加权训练图像，默认为Flase，主要为了解决样本图片不平衡问题；开启后会对上一轮训练不好的图片，在下一轮中增加权重。

17、device

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

多gpu训练修改##########

18、multi-scale多尺度训练

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

        采用多尺度训练，默认是False，设置几种不同的图片输入尺度，训练时每隔一定的ierations随机选取一种尺度训练。——未尝试

19、single-cls

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

不动它
设定训练的数据集是单类别还是多类别，默认为多类别。

20、adam优化器

parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')

使用它——默认Flase？？？
启用#####代码》》》

21、sync-bn

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

同步Batch Normalization，是否跨多设备进行Batch Normalization
多GPU使用？未使用

22、local_rank

parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')

DDP参数，请勿修改

使用DDP进行单机多卡训练时，通过多进程在多个GPU上复制模型，每个GPU都由一个进程控制，同时需要将参数local_rank传递给进程，用于表示当前进程使用的是哪一个GPU。
详情见：PyTorch单机多卡训练（DDP-DistributedDataParallel的使用）备忘记录_ddp多卡训练-CSDN博客

23、workers

parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers')

        workers指数据装载时cpu所使用的线程数，默认为8。和batch--size的区别，batch--size是指训练一组放入多少张照片，消耗的是GPU
windows一般为0

24、project

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

训练模型存放的路径

25、entity

parser.add_argument('--entity', default=None, help='W&B entity')

wandb 库的使用

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

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，
一般为true。
当为 false，在新命名的文件夹下保存；
当为 true，在 name 指定文件夹下保存，源码中保存在 exp 文件夹下

一般不动

28、quad

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

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

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

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。

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，不必考虑

32、bbox_interval

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

wandb 库对应的东西，不必考虑

33、save_period

parser.add_argument('--save_period', type=int, default=-1, help='Log model after every "save_period" epoch')

用于记录每个epoch训练日志信息，int 型，默认为 -1

34、artifact_alias

parser.add_argument('--artifact_alias', type=str, default="latest", help='version of dataset artifact to be used')

可能以后更新的参数

35、freeze

parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone of yolov7=50, first3=0 1 2')

“冻结”层指的是该层不参加网络训练，yolov7的冻结层是50层

---

版权声明：本文为CSDN博主「把爱留给SCI」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_43397302/article/details/126732241