Yolo系列各网址集合&&&训练模型时常用代码

目录

一、模型训练

1、★初次训练

2、★恢复训练

 3、★继续训练

二、模型预测

1、★预测命令

三、Yolov7

四、Yolov5代码注释理解 

---

---

---

-----------Yolov系列源码网站-GitCode-----------

yolov4:https://gitcode.net/mirrors/Onicc/YoloV4_Insulators?utm_source=csdn_github_accelerator

yolov5: https://github.com/ultralytics/yolov5/tree/v5.0

yolov6:https://gitcode.net/mirrors/meituan/YOLOv6?utm_source=csdn_github_accelerator

yolov7:https://gitcode.net/mirrors/WongKinYiu/yolov7?utm_source=csdn_github_accelerator

--------------持续更新中---------------

---

---

了解一下参数

--img：设置训练图像大小。
--batch：设置训练批次大小。
--epochs：设置训练的epoch数。
--data：指定数据集的配置文件，包括训练集、验证集、类别等信息。
--cfg：指定YOLOv5模型的配置文件，包括网络结构、超参数等信息。
--weights：设置预训练模型的路径，如果不使用预训练模型，则设为空。
--name：设置训练结果的保存路径和名称。

---

---

★★★♥★★ 

---

一、模型训练

【适用于Yolov5所有分支版本】

下面代码（注意img、batch、epochs、data、cfg、weight必须根据自己的情况进行修改即可）

1、★初次训练

常用代码

python train.py --img 640 --batch 4 --epochs 500 --data data/blemish.yaml --cfg models/yolov5s_blemish.yaml --weights weights/yolov5s.pt --name results --cache 

2、★恢复训练

假如上次一共需要训练500轮，结果训练到400轮中断了，用该命令恢复训练 

使用上次的last.pt权重文件，（上次训练时，最后一轮的权重）。【关键词：--resume】

python train.py --img 640 --batch 4 --epochs 500 --data data/blemish.yaml --cfg models/yolov5s_blemish.yaml --weights runs/train/exp/weights/last.pt --name results --cache --resume

 使用上次的best.pt权重文件，建议选这个（上次训练时，所有轮中最好的一次权重）。

python train.py --img 640 --batch 4 --epochs 500 --data data/blemish.yaml --cfg models/yolov5s_blemish.yaml --weights runs/train/exp/weights/best.pt --name results --cache --resume

 3、★继续训练

 假如上次一共需要训练500轮，结果也训练了500轮，此基础上再继续训练200轮

使用如下命令【关键词：--cache】

 python train.py --img 640 --batch 4 --epochs 200 --data data/blemish.yaml --cfg models/yolov5s.yaml --weights runs\train\weights\best.pt --name results4 --cache

 ★★★★★★

---

二、模型预测

1、★预测命令

python detect.py --source test_images/ --weights runs/train/a1/weights/best.pt --conf 0.5

test_images/  是测试集图像的路径；

runs/train/a1/weights/best.pt  是训练过程中保存的最佳模型权重文件路径；

--conf 0.25  是设置预测置信度阈值为0.25 ；

 ★★★★★★

---

三、Yolov7

1、★训练指令

python train.py --workers 2 --device 0 --batch-size 4 --data data/coco128.yaml  --cfg cfg/training/yolov7.yaml --weights yolov7.pt --name yolov7 --hyp data/hyp.scratch.p5.yaml --epochs 200

遇到的问题

【C:\Anaconda\envs\traffic\python.exe: can't open file 'train.py': [Errno 2] No such file or directory】
原因是未进入当前目录,需要cd一下

(traffic) PS D:\traffic> python train.py --img 640 --batch 8 --epochs 200 --data data/blemish.yaml --cfg models/yolov5s.yaml --weights runs/train/exp/weights/best.pt --name results --cache --resume
C:\Anaconda\envs\traffic\python.exe: can't open file 'train.py': [Errno 2] No such file or directory
(traffic) PS D:\traffic> cd D:\traffic\traffic_flag_det
(traffic) PS D:\traffic\traffic_flag_det> python train.py --img 640 --batch 8 --epochs 200 --data data/blemish.yaml --cfg models/yolov5s.yaml --weights runs/train/exp/weights/best.pt --name results --cache --resume

 ★★★★★★

---

四、Yolov5代码注释理解 

★Yolov5★

1、train.py文件(部分）

import argparse  # 解析命令行参数的库
import math  # 数学函数库
import os  # 处理文件和目录的库
import random  # 随机数生成库
import subprocess  # 子进程管理库
import sys  # 系统相关库
import time  # 时间相关库
from copy import deepcopy  # 深度复制库
from datetime import datetime  # 时间日期库
from pathlib import Path  # 处理文件路径的库

import numpy as np  # 处理数值数组的库
import torch  # PyTorch 深度学习框架
import torch.distributed as dist  # 分布式训练库
import torch.nn as nn  # PyTorch 模型库
import yaml  # 处理 YAML 格式文件的库
from torch.optim import lr_scheduler  # PyTorch 优化器库
from tqdm import tqdm  # 显示进度条的库

# 获取当前 train.py 脚本文件的路径，然后获取其父目录作为 YOLOv5 根目录
FILE = Path(__file__).resolve()
ROOT = FILE.parents[0]  # YOLOv5 root directory
if str(ROOT) not in sys.path:
    sys.path.append(str(ROOT))  # add ROOT to PATH
ROOT = Path(os.path.relpath(ROOT, Path.cwd()))  # relative

# 导入 YOLOv5 中的 val.py 文件中定义的 validate() 函数
import val as validate  # for end-of-epoch mAP

# 导入 YOLOv5 中的 models 目录下的相关类和函数
from models.experimental import attempt_load
from models.yolo import Model

# 导入 YOLOv5 中的 utils 目录下的相关类和函数
from utils.autoanchor import check_anchors
from utils.autobatch import check_train_batch_size
from utils.callbacks import Callbacks
from utils.dataloaders import create_dataloader
from utils.downloads import attempt_download, is_url
from utils.general import (LOGGER, TQDM_BAR_FORMAT, check_amp, check_dataset, check_file, check_git_info,
                           check_git_status, check_img_size, check_requirements, check_suffix, check_yaml, colorstr,
                           get_latest_run, increment_path, init_seeds, intersect_dicts, labels_to_class_weights,
                           labels_to_image_weights, methods, one_cycle, print_args, print_mutation, strip_optimizer,
                           yaml_save)
from utils.loggers import Loggers
from utils.loggers.comet.comet_utils import check_comet_resume
from utils.loss import ComputeLoss
from utils.metrics import fitness
from utils.plots import plot_evolve
from utils.torch_utils import (EarlyStopping, ModelEMA, de_parallel, select_device, smart_DDP, smart

---

2、train.py文件中的部分参数

lr0: #初始学习率，通常使用的优化器如SGD的初始学习率为1e-2，而Adam的初始学习率为1e-3。
lrf:   #OneCycleLR策略中的最终学习率，为初始学习率lr0乘以lrf。
momentum: #SGD优化器的动量参数/Adam优化器的beta1参数，用于加速收敛过程。
weight_decay: #优化器的权重衰减参数，用于减小模型复杂度，避免过拟合。
warmup_epochs: #训练过程中的预热期，即在正式训练前一定周期内逐渐增加学习率。
warmup_momentum: #预热期内的初始动量参数。
warmup_bias_lr: #预热期内的初始偏置学习率。
box: #bounding box回归损失的权重。
cls: #物体分类损失的权重。
cls_pw: #BCELoss中正样本的权重。
obj: #目标存在性损失的权重，即objectness损失。
obj_pw: #BCELoss中正样本的权重。
iou_t: #训练中用于计算目标存在性损失的IoU阈值。
anchor_t: #用于过滤anchor boxes的IoU阈值。
fl_gamma: #focal loss中的gamma参数。
hsv_h: #HSV颜色空间中的hue增强参数。
hsv_s: #HSV颜色空间中的saturation增强参数。
hsv_v: #HSV颜色空间中的value增强参数。
degrees: #图像旋转的角度范围。
translate:   #图像平移的范围。
scale:   #图像缩放的范围。
shear: #图像剪切的角度范围。
perspective: #透视变换的参数。
flipud: #上下翻转的概率。
fliplr: #左右翻转的概率。
mosaic: #图像融合的概率。
mixup: #图像混合的概率。
copy_paste: #图像分割中的复制粘贴的概率。

---

3、train.py文件【训练中参数解释】

# 每个参数解释
Epoch：   #当前模型的训练轮数/总训练轮数。
gpu_mem： #当前模型在GPU上的显存占用量，以GB为单位。
box：     #当前模型的bounding box loss（边界框损失）。
obj：     #当前模型的objectness loss（物体存在性损失）。
cls：     #当前模型的classification loss（分类损失）。
labels：  #当前batch（一批次）中标记为有物体的图像数量。
img_size：#当前batch中输入图像的大小。

#下面是评估模型表现的输出结果：
Class：   #检测到的目标类别（此处是所有类别）。
Images：  #测试集中包含此类别的图像数量。
Labels：  #测试集中此类别的ground-truth（真实）标签数量。
P：       #此类别的平均精度（Precision）。
R：       #此类别的平均召回率（Recall）。
mAP@.5：  #IOU阈值为0.5时的平均精度（mean Average Precision）。
mAP：     #所有IOU阈值下的平均精度。

---

五、问题总结

yolov5-----6.0版本

【错误：train.py: error: unrecognized arguments: --batch4】

 

(blemish) PS F:\yolov5w> python train.py --img 640 --batch4 --epochs 100 --data dataemish.yaml --cfg models/yolov5s_blemish.yaml --weights weights\best.pt --name results1 --cache   
usage: train.py [-h] [--weights WEIGHTS] [--cfg CFG] [--data DATA] [--hyp HYP]
                [--epochs EPOCHS] [--batch-size BATCH_SIZE] [--imgsz IMGSZ]
                [--rect] [--resume [RESUME]] [--nosave] [--noval]
                [--noautoanchor] [--evolve [EVOLVE]] [--bucket BUCKET]
                [--cache [CACHE]] [--image-weights] [--device DEVICE]
                [--multi-scale] [--single-cls] [--adam] [--sync-bn]
                [--workers WORKERS] [--project PROJECT] [--name NAME]
                [--exist-ok] [--quad] [--linear-lr]
                [--label-smoothing LABEL_SMOOTHING] [--patience PATIENCE]
                [--freeze FREEZE] [--save-period SAVE_PERIOD]
                [--local_rank LOCAL_RANK] [--entity ENTITY] [--upload_dataset]
                [--bbox_interval BBOX_INTERVAL]
                [--artifact_alias ARTIFACT_ALIAS]
train.py: error: unrecognized arguments: --batch4

---

 解决：

【1】

python train.py --img 640 --batch-size 4 --epochs 100 --data data/blemish.yaml --cfg models/yolov5s_blemish.yaml --weights weights/best.pt --name results1 --cache

【2】 

python train.py --img 640 --batch 4 --epochs 100 --data data/blemish.yaml --cfg models/yolov5s_blemish.yaml --weights weights/best.pt --name results1 --cache

---

---