物体检测-系列教程24：YOLOV5 源码解析14 （训练过程解读：训练配置文件、训练脚本train.py）

😎😎😎物体检测-系列教程 总目录

有任何问题欢迎在下面留言
本篇文章的代码运行界面均在Pycharm中进行
本篇文章配套的代码资源已经上传
点我下载源码

18、训练配置文件

位置yolov5/data文件夹/hyp.scratch.yaml文件

文件内容：

lr0: 0.01  # initial learning rate (SGD=1E-2, Adam=1E-3)
momentum: 0.937  # SGD momentum/Adam beta1
weight_decay: 0.0005  # optimizer weight decay 5e-4
giou: 0.05  # GIoU loss gain
cls: 0.5  # cls loss gain
cls_pw: 1.0  # cls BCELoss positive_weight
obj: 1.0  # obj loss gain (scale with pixels)
obj_pw: 1.0  # obj BCELoss positive_weight
iou_t: 0.20  # IoU training threshold
anchor_t: 4.0  # anchor-multiple threshold
fl_gamma: 0.0  # focal loss gamma (efficientDet default gamma=1.5)
hsv_h: 0.015  # image HSV-Hue augmentation (fraction)
hsv_s: 0.7  # image HSV-Saturation augmentation (fraction)
hsv_v: 0.4  # image HSV-Value augmentation (fraction)
degrees: 0.0  # image rotation (+/- deg)
translate: 0.5  # image translation (+/- fraction)
scale: 0.5  # image scale (+/- gain)
shear: 0.0  # image shear (+/- deg)
perspective: 0.0  # image perspective (+/- fraction), range 0-0.001
flipud: 0.0  # image flip up-down (probability)
fliplr: 0.5  # image flip left-right (probability)
mixup: 0.0  # image mixup (probability)

解释部分参数含义

1. lr0，初始学习率
2. lrf，余弦退火，使用余弦函数动态降低学习率
3. warmup_epochs，刚开始的几个epoch用小一点的学习率，让模型预热
4. GIoU（Generalized Intersection over Union）损失用于改善模型对于边界框位置的预测准确性。这个参数控制着GIoU损失在总损失中的比重
5. cls，一个超参数，控制分类损失在总损失中的权重
6. cls_pw，对于二元交叉熵损失（BCELoss），这个参数给出正样本的权重，用于平衡正负样本之间的不均衡
7. fl_gamma (焦点损失伽马): 焦点损失用于缓解正负样本不平衡问题，通过减少易分类样本的损失影响，这个参数控制了焦点损失的强度
8. 从hsv_h到最后的mixup都是图像增强的参数

19、训练脚本

在train.py中的配置参数已经在yolov5系列的第一篇博客有过讲解

train.py写了500多行代码，但是实际上能用到的很少，因为v5是一个非常工程化的版本，适应了很多版本很多场景

训练脚本可先简单分为3个部分，然后再细分

1. 导包部分，大约30行代码，这部分不做解读
2. 训练函数def train()，300多行代码
3. main函数，100多行代码

由于实在太长，不可能逐行解释，我会将训练函数分成多个部分来解读，这是导包部分的代码：

import argparse
import math
import os
import random
import time
import logging
from pathlib import Path

import numpy as np
import torch.distributed as dist
import torch.nn.functional as F
import torch.optim as optim
import torch.optim.lr_scheduler as lr_scheduler
import torch.utils.data
import yaml
from torch.cuda import amp
from torch.nn.parallel import DistributedDataParallel as DDP
from torch.utils.tensorboard import SummaryWriter
from tqdm import tqdm

import test  # import test.py to get mAP after each epoch
from models.yolo import Model
from utils.datasets import create_dataloader
from utils.general import (
    torch_distributed_zero_first, labels_to_class_weights, plot_labels, check_anchors, labels_to_image_weights,
    compute_loss, plot_images, fitness, strip_optimizer, plot_results, get_latest_run, check_dataset, check_file,
    check_git_status, check_img_size, increment_dir, print_mutation, plot_evolution, set_logging)
from utils.google_utils import attempt_download
from utils.torch_utils import init_seeds, ModelEMA, select_device, intersect_dicts

第一部分主要是导入了一些常用python与深度学习任务的辅助工具
第二部分主要是torch相关的工具
第三部分主要是导入yolov5项目的各个模块的辅助函数与类的实例化，一共有26个，也就是说光是辅助函数的调用就有26个，确实太复杂了