yolov5代码解读之train.py【训练模型】

哇咔咔，登场

代码开头都是一些导包到模块的：

接下来来到入口函数：

我们直接来到main函数的内容：（分四个部分）

前两部分：

关于main函数的第二部分中的resume参数（496行），尽管咋没有使用该参数，但可以简单的了解一下：

resume表示从中断中恢复，比如说现在在某个数据集上想训练一个yolov5的模型，假如你想训练200轮，当你执行到100轮的时候你的电脑突然死机了哈哈，当你重新开机之后你会发现你原来的100轮已经被迫中断了，这个时候你电脑上只有一个已经训练了100轮的模型，但是你需要的结果是一个要200轮的模型，这个时候就可以用到resume参数，帮助你把刚刚的实验环境给恢复过来并继续完成未训练完的100轮。由于我们这里使用的是一个已经预训练好的yolov5.pt权重文件，所以咋就不使用该参数。

main函数后两部分：

虽然用不到evolve，但是可以提一下，它里面有非常多的参数，比如：

ok，来到最重要的train函数（536行），哇咔咔跳过去：

（对于第79行的callbacks.run，就是说你看到了这行代码就代表他要去执行括号里面的函数了。函数里面有内容就会执行，没有就会pass。这些函数都写在loggers里面）

点进去看一下（loggers）：

同时还可以看到它定义了一些其他的函数：

ok，回到train函数：

这三个超参数含义：

他们表示的含义其实是损失函数前面的因子，对于yolov5来说，损失值分为三个部分，一部分是框回归的损失（box），一部分是类别损失值（cls），另一部分是置信度损失（obj）。为了平衡这三个损失，为各自乘上一个系数，这就是这三个超参数的含义，分别表示各自的系数。

当nl=3的时候，这3行的"3/nl"都等于1，说明这三个系数都没有发生改变，但假如修改了网路结构的话，假如有四个检测层（242行的nl等于3，检测低层，中层和高层），就会分别乘上3/4，把这三个超参数缩放到和层级一样的尺度。

ok,接着往下看：

这一部分是更新图片权重的。正常情况下，比如coco128数据集中它是含有128张图片的，然后利用这128张图片会在batch（291行代码）的时候给模型一批一批的喂数据，喂数据的时候每一张图片都会给到模型，但是每一张图片的检测效果是不同的，比如有的图片上的目标比较容易检测正确，有的比较难以识别到的目标，所以这个时候我们希望把难识别到的目标多传入模型几次，也就是说会给数据集中每一张图片分配一个采样权重，这样在一轮训练时会额外关注那些难识别的样本，从而改正最终的识别效果。

275行的model.class_weights表示数据集中每一类的数量权重，如果某一类的数量比较多的话，那么它的权重就比较大；maps就是80类各自的精度，1-maps就是80类各自的负精确度。所以在一轮中，如果某一类的负精确度比较高，这一类目标就会算出来一个比较大的类别权重，来增加它被采样到的概率。由于这里求出来的是类别权重，但是我们传给模型的其实是图片，而不是一个一个的检测框，所以必须把类别权重换算到图像的维度。

因此有了类别权重后，需要把类别权重给换算到图像维度（276行），也就是每一张图片的采样权重。比如某一张图片中含有识别不精确的目标越多，这个图片的权重就越大。

然后再利用这个图片权重去进行随机的重采样（277行），这个时候得到的128张图片就不再是原始的数据集了，而是会多包含一些难识别的样本。因此在batch部分给模型一批一批喂数据的时候也会给模型喂更多的难样本。

ok，接着往后看：

进度条呢就如下图所示：

Epoch表示进行到第多少轮了,"0/299":从第0轮开始，299轮结束；gpu_mem:gpu显存占用；box、obj、cls表示3个损失值；labels:平均每批样本中的标注框的个数；img_size:图片尺寸。

后面那个就是训练过程的进度条，一共有8批，每一批训练完它会不断地更新此进度条。"2:25"表示训练这一批数据花的时间，后面的"00：00"表示还需要多少时间，以及每一批数据在这一轮所花费的时间（18.16s）。这一轮训练完后，它会打印一下效果（就是那七个参数class,images......这些都是目标检测中常见的评估指标）

Ok，回到代码部分：

(291行)由于batchsize=16,所以imgs表示16张图片数据，图片数据是用来后续传给模型进行预测的；targets表示相应的标注框，标注框用来跟预测框一起求损失函数值；路径表示图片路径，方便后续做可视化的工作。（292行）在每一批数据开始训练的时候，它又会记录一些信息；

（293）ni表示从第0轮开始，到目前为止一共训练了多少批数据来起到一个记录批次的功能；

（294）把图片移到gpu上，并进行归一化的操作。

warmup是一种训练技巧，比如说他会在刚开始训练前几批数据的时候，他用一个比较小的学习率慢慢给你升到你设置的初始学习率。

（297）如果当前的批次正好处于需要进行warmup的前几批数据时，它会遍历优化器中的所有参数组（301行）。参数组会把模型的网络结构中的所有参数分成3组，针对所有的bias参数，学习率会在热身时从0.1逐渐降低到初始学习率lr0,所有其他参数的学习率会从0.0逐渐升高到lr0（302）。

比如303行：j=2时，bias参数需要从"warmup_bias_lr"学习率来逐渐降低到初始的lr0(initial_lr),如果不是bias参数就需要从0升高到lr0。

(304行)如果参数中有动量值的话，动量值也会有一个逐渐变化的过程。

在Log里面有一个细节：

ok，一个batch就完了，然后又会下一个batch进入for循环。

ok。