跟土堆学yolov5目标检测p7训练yolov5模型（本地）（一）

一、如何训练yolov5神经网络

本地训练yolov5

利用云端GPU训练yolov5

二、演示运行train.py

运行前将--workers 设置为0 如果0没问题可以改大一些。不同机器可能会有问题。

 右击运行

显示结果

train中为设置的参数

hyperparameters为超参数

tensorboard为图表显示

最下面为神经网络及参数

 

w&b 类似于升级版的tensorboard

 

优化器 SGD，训练集、验证集、锚框、图片大小、结果存放在run\train\exp2中

最好的权重 best.pt,  最后的权重 last.pt

 

 hyp.yaml 训练中的超参数

label.jpg  标注的分布

label.correlogram.jpg 标注的相关矩阵

opt.yaml  训练过程中参数的设置

result.csv 训练的结果记录

train_batch0.jpg 训练的图片

  hyp.yaml 训练中的超参数

label.jpg  标注的分布

 

 

label.correlogram.jpg 标注的相关矩阵

 

opt.yaml  训练过程中参数的设置

 

result.csv 训练的结果记录

 

 

train_batch0.jpg 训练的图片

 三、train.py模型参数讲解

def parse_opt(known=False):
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt',
 help='initial weights path')
    parser.add_argument('--cfg', type=str, default='', 
help='model.yaml path')
    parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')
    parser.add_argument('--hyp', type=str, 
default=ROOT / 'data/hyps/hyp.scratch-low.yaml', 
help='hyperparameters path')
    parser.add_argument('--epochs', type=int, default=100, help='total training epochs')
    parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')
    parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')
    parser.add_argument('--rect', action='store_true', help='rectangular training')
    parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
    parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
    parser.add_argument('--noval', action='store_true', help='only validate final epoch')
    parser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')
    parser.add_argument('--noplots', action='store_true', help='save no plot files')
    parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')
    parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
    parser.add_argument('--cache', type=str, nargs='?', const='ram', help='image --cache ram/disk')
    parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
    parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
    parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='SGD', help='optimizer')
    parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
    parser.add_argument('--workers', type=int, default=0, help='max dataloader workers (per RANK in DDP mode)')
    parser.add_argument('--project', default=ROOT / 'runs/train', help='save to project/name')
    parser.add_argument('--name', default='exp', help='save to project/name')
    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
    parser.add_argument('--quad', action='store_true', help='quad dataloader')
    parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler')
    parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
    parser.add_argument('--patience', type=int, default=100, help='EarlyStopping patience (epochs without improvement)')
    parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone=10, first3=0 1 2')
    parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')
    parser.add_argument('--seed', type=int, default=0, help='Global training seed')
    parser.add_argument('--local_rank', type=int, default=-1, help='Automatic DDP Multi-GPU argument, do not modify')

    # Logger arguments
    parser.add_argument('--entity', default=None, help='Entity')
    parser.add_argument('--upload_dataset', nargs='?', const=True, default=False, help='Upload data, "val" option')
    parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval')
    parser.add_argument('--artifact_alias', type=str, default='latest', help='Version of dataset artifact to use')

    return parser.parse_known_args()[0] if known else parser.parse_args()

1.parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')

--weights 权重模型文件 格式为str 默认为yolov5s.pt，可以修改为之前训练过的模型如best.pt

从头开始训练就设置为空default=''

2.

parser.add_argument('--cfg', type=str, default='', help='model.yaml path')

--cfg   config的缩写，关于模型的配置，存在于model文件中，模型结构配置，神经网络配置

       

3.

parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')

--data 指定数据集 位于data/coco128.yaml中

指定训练和验证数据集的存放位置

path：为根目录，本例为与yolov5文件同目录

 

train：为path之后的路径

val：同train

 指定的数据集下载地址：

# Download script/URL (optional)
download: https://ultralytics.com/assets/coco128.zip

指定的数据类别共80个及对应序号

coco128代表coco数据集的前128个数据

coco 代表整个coco数据集

voc数据集

训练参数填充建议：

--weights 权重建议 4个训练好的模型

--cfg 建议 4个模型架构

 --data 建议 4个数据库

 4.

parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')

 --hyp 超参数选择：scratch 从头开始训练 hyp.scratch-low.yaml、hyp.scratch-med.yaml....

5.

parser.add_argument('--epochs', type=int, default=100, help='total training epochs')
parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')
parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')

 --epochs 训练轮数

--batch-size  每轮中一批的数量

--imgsz  训练时图片大小 根据权重选择640和1280

6.

parser.add_argument('--rect', action='store_true', help='rectangular training')

 --rect  减少冗余填充，提升计算效率  rectangular training

 7.

parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')

--resume 是否从已训练过的模型继续训练 default参数为模型文件

选择权重文件的相对路径

 

 修改resume参数 default

 右击运行train.py,显示使用exp2的权重

 8.

parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')

 --nosave 只保存最后一个epoch模型结果

9.

parser.add_argument('--noval', action='store_true', help='only validate final epoch')

--noval  只在最后一个epoch上测试

10.

parser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')

--noautoanchor 是否采用锚点

锚点，锚框

目标检测之锚点与锚框_锚点和锚框_烧技湾的博客-CSDN博客

如果你在自己的数据集上训练YOLO，可能需要自定义设置这些锚框。但YOLOv5能够基于训练集自动学习锚框分布，每次训练时，自适应的计算不同训练集中的最佳锚框值。
当然，如果觉得计算的锚框效果不是很好，也可以在代码中将自动计算锚框功能关闭。

parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')
关闭自动计算锚框功能，即train.py中这一行代码，设置成False，每次训练时，不会自动计算。