yolov5源码解读--训练策略

超参数解读

hyp.scratch.yaml

lr0: 0.0032   初始学习率
lrf: 0.12     使用余弦函数动态降低学习率(lr0*lrf)
momentum: 0.843   动量
weight_decay: 0.00036  权重衰减项
warmup_epochs: 2.0   预热（较小的学习率那时候）
warmup_momentum: 0.5  预热动量
warmup_bias_lr: 0.05  预热学习率

不同的损失函数开始了
box: 0.0296     
cls: 0.243
cls_pw: 0.631
obj: 0.301
obj_pw: 0.911
iou_t: 0.2
anchor_t: 2.91
# anchors: 3.63
fl_gamma: 0.0
hsv_h: 0.0138
hsv_s: 0.664
hsv_v: 0.464
degrees: 0.373
translate: 0.245
scale: 0.898
shear: 0.602
perspective: 0.0
flipud: 0.00856
fliplr: 0.5
mosaic: 1.0
mixup: 0.243

命令行参数

我这里是训练自己的口罩数据集

–resume参数：接着上一次的权重继续训练。。。。。

train

控制台打印log + 保存训练数据，参数等

训练的超参数保存文件为：hyp.yaml

opt.yaml文件：

标签分布：

tensorboard展示文件

是否使用预训练模型：

model = Model(opt.cfg, ch=3, nc=nc).to(device)

加载完成了模型

是否冻结层训练

和反向传播更新参数有关

更新权重、偏置
衰减率

图像大小要是32的倍数。。。

滑动平均: EMA

模型迭代

创建训练集和测试集：

模型超参数相关：

模型训练：
其中（pytorch1.6新功能 fp32与fp16混合 提速比较多）

训练：

测试