【yolov5】train.py文件的参数详解

已于 2023-10-13 22:23:22 修改
阅读量4.5k 收藏 76
点赞数 17
分类专栏： 目标检测 文章标签： YOLO pytorch 人工智能 目标检测
于 2023-10-13 21:49:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39972370/article/details/133818685
版权

目录

(1)weights参数（指定网络模型）

(2)cfg参数

(3)data参数（指定数据集）

(4)hyp参数（超参数）

(5)epochs、batch-size、img-size参数

(6)rect参数

(7)resume参数

(8)nosave、notest参数

(9)noautoanchor参数

(10)evolve、cache-images、images-weights、device、multi-scale参数

(11)single-cls、adam参数

(12)workers、project参数

(13)name参数和exist-ok参数

(14)linear-lr参数和label-smoothing参数

(1)weights参数（指定网络模型）

下图yolov5s.pt是作者训练好的模型

如果有自己的模型，把保存路径放到红框位置即可使用自己的模型

如果想从头开始训练，default参数可以设置为空，不给他任何的初始化，采用程序对这个参数的权重进行初始化

(2)cfg参数

关于模型的一些配置，存放在model文件夹中

下图表示，模型训练采用yolov5s结构

default中可以填入以下4种

(3)data参数（指定数据集）

下图指定的coco128数据集

可以复制download的链接到迅雷进行数据集的下载

default中可以填入以下几种数据集

(4)hyp参数（超参数）

有两个超参数文件

第一个是对voc数据集进行微调

第二个是对coco数据集进行操作，scratch表示从头开始训练

(5)epochs、batch-size、img-size参数

epochs表示训练轮数

batch-size表示一次抓取多少个数据，打包放入网络当中

img-size参数设置训练集和测试集的尺寸大小

(6)rect参数

设置矩阵的训练方式

最小填充，减少不必要的冗余，加速模型训练速度

(7)resume参数

是否从当前最近的一个模型基础上进行训练

如果不的话，指定false即可

如果要的话，需要指定在哪一个模型基础上进行训练

这里指定之前训练过的一个模型文件

不仅要读取这个模型文件，还要读取他的相关配置

上一次的训练结果

运行train.py代码，显示从last.pt开始训练

这一次不从0开始，而是接着后面训练，从2开始训练

结果更新

(8)nosave、notest参数

只保存最后一个epoch训练的模型，保存pt文件和一些权重数据

是否只在最后一个epoch进行测试（按理说在每个epoch都进行测试）

(9)noautoanchor参数

是否采用锚点

(10)evolve、cache-images、images-weights、device、multi-scale参数

对超参数净化，action默认未开启，需要指定才能开启

是否对图片缓存，进行更好的训练

上一轮中测试图片效果不太好，下一轮训练过程中，会对这些图片加一些相关的权重（效果不一定有保证）

不用指定，可以在训练时自行检测cpu or gpu

对尺度进行变换

(11)single-cls、adam参数

训练的数据集是单类别还是多类别

优化器，设置为true就会选这个，false的话就会有随机梯度下降

带有DDP的参数都不用看

(12)workers、project参数

workers表示进程数，project表示运行结果的存放位置

一个库，不用管（带W&B的都不用看）

(13)name参数和exist-ok参数

如果设置了exist-ok参数的话，运行结果文件会保存在exp文件夹下

如果未设置exist-ok参数的话，则新建一个文件夹（比如exp1、exp2...）存放运行结果

(14)linear-lr参数和label-smoothing参数

对学习速率进行调整

标签平滑，防止过拟合的产生

这几个都和W&B有关，不用管

这个参数没用，作者还没实现

阿宙宙宙
关注
  • 17
    点赞
  • 踩
  • 76
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
yolov5 7.0注释版
02-03
**YOLOv5 7.0 注释版详解** YOLO (You Only Look Once) 是一种流行的实时目标检测算法，其最新版本 YOLOv5 7.0 提供了高效的检测性能和易于理解的代码结构。这个版本的注释版主要针对 `train.py` 和 `detect.py` ...
YOLOv5代码详解（train.py部分）
Liaojiajia-Blog
07-02 3万+
1. train.py 1.1 使用nvidia的apex接口计算混合精度训练 mixed_precision = True try: # Mixed precision training https://github.com/NVIDIA/apex from apex import amp except: print('Apex recommended for faster mixed precision training: https://github.com/NVIDIA/apex'
YOLOV5训练代码train.py训练参数解析
m0_47026232的博客
04-23 1万+
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。
【YOLOV8】YOLOV8模型训练train及参数详解
最新发布
qq_42761751的博客
08-10 2073
训练深度学习模型涉及为其提供数据并调整其参数，以便它能够做出准确的预测。Ultralytics YOLOv8 的训练模式专为有效、高效地训练目标检测模型而设计，充分利用现代硬件的能力。本指南旨在涵盖使用 YOLOv8 强大功能集训练自定义模型所需的所有细节，帮助你快速入门。
yolov5参数解析
qq_56591814的博客
10-07 3万+
大型数据集预训练好的权重主干特征提取能力是比较强的，这个时候我们只需要冻结主干网络，fine-tune后面层就可以了，不需要从头开始训练，大大减少了时间而且还提高了性能。如果开启了noautoanchor，在训练开始前，会自动计算数据集标注信息针对默认锚框的最佳召回率，当最佳召回率大于等于0.98时，则不需要更新锚框；：yolov5使用遗传超参数进化，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（也就是hpy文件夹下默认的超参数）。矩阵推理会加速模型的推理过程，减少一些冗余信息。
YOLOv5 项目：训练代码和参数详细介绍（train）
Henry的博客
03-06 6674
YOLOv5 训练输入参数的详细解释
【yolov5】 train.py详解
qq_44878985的博客
03-16 7670
">
如何快速上手yolov5模型的训练，以及通过训练出来的参数进行模型推理（小白教学，只教如何训练和推理，后续会就行更新如何调参）（在看本文章之前，需要保证你的环境配置成功）
m0_74737919的博客
05-27 4943
（1）weights：此参数是传入模型训练时的预训练权重的，如yolov5中的yolov5s.pt文件，在本文的第二张图片中可以看到，这个是官方给的配置文件，在自己第一次训练模型时，可以拿出来使用，来提高模型的训练成效。图1中，train和val的路径如图所示放置，紧接着下面会出现classes，这个是你需要训练模型的目标的分类，如图原yolov5代码中分为80类，你可以修改成自己需要的类别，其格式和源代码保持一致。
yolov5-face_align.rar
09-01
《基于Yolov5的人脸对齐与检测技术详解》 在计算机视觉领域，人脸检测与对齐是一项基础且重要的任务，广泛应用于人脸识别、表情识别、姿态估计等多个场景。本项目"yolov5-face_align.rar"正是针对这一需求，采用...
yolov5-二维码检测数据.zip
07-23
《基于yolov5的二维码检测数据集详解与应用》 在计算机视觉领域，二维码（Quick Response Code）的检测和识别是一项重要的任务，它广泛应用于物流、广告、电子支付等多个场景。本文将深入探讨如何利用yolov5这一...
yolov5实例：气球检测.zip 目标检测
01-26
接下来，配置YOLOv5的训练参数，如学习率、批次大小、训练轮数等，并使用`train.py`脚本来启动训练。 ### 3. 数据预处理 数据预处理包括图像增强、归一化和标注转换。YOLOv5支持多种图像增强技术，如随机裁剪、...
YOLOv5-tf:使用TensorFlow 2实现YOLOv5
04-06
使用TensorFlow 2实现火车在config.py更改数据集路径和class_dict 在config.py选择版本可选， python generate.py为您的数据集生成锚点并在config.py更改锚点运行python train.py进行培训测试运行python test.py数据...
【土堆】目标检测 YOLOv5 开源项目入门实战 2（最详尽版）—— 关于 train.py 参数讲解 & 训练 YOLOv5 模型
作者正在煮茶中...
11-30 5315
这是我根据 B 站土堆的《目标检测 YOLOv5 开源代码项目调试与讲解实战》整理撰写的第二篇文章，具体介绍了 YOLOv5 项目中 train.py 文件的参数，涵盖了34个参数。作者小白，请多包涵！
【yolov5】数据格式、参数、输出结果 分析
yongjie
11-01 4万+
yolov5 一些参数介绍
yolov5的train.py的参数信息解析
m0_63251896的博客
03-05 776
这些参数可以通过命令行传递给程序，以便根据需要自定义训练过程。
YOLOv5 参数介绍
weixin_42638415的博客
10-16 1万+
train.py --weigths: 指的是训练好的网络模型，用来初始化网络权重 --cfg：指的是网络结构 --data：训练数据路径 --hyp: 训练网络的一些超参数设置 --epochs：训练迭代次数 --batch-size：每次喂给神经网络的图片数目 --imgsz：训练图片尺寸 --rect： 是否采用矩形训练 --resume： 指定你之前训练的网络模型，想继续训练这个模型 --nosave： 只保留最终网络模型 --noval：是否只在最后一次测试网络模型 --n
YOLOv5训练参数简介
豆芽菜
02-06 1万+
yolov5参数
Yolov5的配置+训练（超级详细！！！）
热门推荐
qq_45104603的博客
12-08 11万+
一、NVIDIA驱动安装与更新 首先查看电脑的显卡版本，步骤为：此电脑右击–>管理–>设备管理器–>显示适配器。就可以看到电脑显卡的版本了。如图，可以看到我的是一块NVDIA GeForce MX150显卡。 有显卡驱动的，可以直接在桌面右键，找到英伟达驱动控制面板打开就好了。 显卡驱动的下载地址 安装（更新）好了显卡驱动以后。我们按下win+R组合键，打开cmd命令窗口。输入如下的命令。 nvidia-smi 得到如下图的信息图，可以看到驱动的版本是496.76；最高支持的CUD
YOLOv5 训练train参数解读
m0_61729640的博客
09-22 3364
YOLOv5 训练train参数解读。 train.py 运行参数共计34个，以及额外4个日志输出控制参数。仅解释各参数的作用，具体参数的类型、默认值、输入后的运作模式在其他部分介绍。
yolov5 train.py参数详解
08-26
train.py 是 YOLOv5 中用于训练模型的脚本文件，下面是 train.py 中常用的参数及其详解： - `--img-size`：指定训练时输入模型的图片尺寸，格式为 `<width>x<height>`，例如 `--img-size 640x480`。 - `--batch-size`：指定训练时的批次大小，即每次迭代训练的样本数量。 - `--epochs`：指定训练的总轮数。 - `--data`：指定数据集的配置文件路径，包含数据集的路径、类别数等信息。 - `--cfg`：指定模型的配置文件路径，包含模型结构的定义和参数设置。 - `--weights`：指定模型的初始权重文件路径，可以使用预训练模型或者之前训练好的模型作为初始权重。 - `--hyp`：指定超参数文件的路径，可以用于调整学习率、正则化等超参数。 - `--name`：指定训练过程中保存模型和日志文件的名称前缀。 - `--cache-images`：指定是否缓存图片，默认为 False。如果设为 True，则会在内存中缓存所有图片，加快训练速度。 - `--device`：指定使用的设备，可以是 'cpu' 或者 'cuda'。 - `--multi-scale`：指定是否使用多尺度训练，默认为 False。如果设为 True，则会随机选择一个尺度进行训练，增加模型的鲁棒性。 - `--task`：指定训练的任务类型，可以是 'train', 'val', 'test', 'study' 中的一个。'train' 表示正常训练，'val' 表示在验证集上评估模型，'test' 表示在测试集上评估模型，'study' 表示进行模型结构和超参数的研究。 这些是 train.py 常用的参数，你可以根据具体需求来使用和调整这些参数。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值