【 YOLOv5】目标检测 YOLOv5 开源代码项目调试与讲解实战（3）-训练yolov5模型（本地）

训练yolov5模型（本地）

训练文件 train.py
- 训练如下图
一些参数的设置
- weights:
- - 对于weight参数，可以往Default参数中填入的参数有
- cfg：（缩写）
- - cfg参数可以选择的网络模型
- data
- - 对于data
- hyp 超参数
- epochs 训练多少轮
- batch-size 把多少数据打包成一个batch，送到网络当中
- img-size
- rect：矩阵的训练方式
- resume
- nosave
- notest
- noautoanchor 锚点
- evolve
- bucket
- cache-image
- image-weight
- device
- multi-scale
- single-cls
- adam 优化器
- sync-bn
- local_rank
- project
- entity
- name
- exist-ok
- quad
- linear-lr
- Label-smoothing
- save-period

训练文件 train.py

往下翻，找到main函数
在这里插入图片描述

这里的works最好设置为0
在这里插入图片描述
运行如图，下载coco数据集中

超参数：学习速率等各种参数
库：显示权重

训练如下图

在这里插入图片描述
出现数据集下载的问题可以参考下面的解决方法
Dataset autodownload failure

训练文件保存的目录
在这里插入图片描述

如果没有发现该文件夹可以进行刷新
在这里插入图片描述

在这里插入图片描述

best.pt ：在哪个训练轮数当中最好效果的网络模型参数
last.pt：最后一个训练的网络模型
hyp.yaml :训练过程中对模型的一些超参数
labels.jpg：标注的分布
labels_correlogram:标注的一些相关矩阵
opt.yaml:在训练过程中对参数的一些设置
results.txt：对训练结果的一些记录
tran_batch0.jpg：训练的一些图片

一些参数的设置

weights:

指定训练好模型的路径，用该模型去初始化网络中的一些参数（自动去下载这些模型），如果我自己拥有一个训练好的模型，放在某一个路径，把这个路径放进来，就会用我训练好的模型作为训练过程中模型的参数初始化。
但是我们现在的训练一般是从头开始训练，所以这里默认为空，采用程序对参数的权重对它初始化，不采用训练好的模型对他初始化
在这里插入图片描述

对于weight参数，可以往Default参数中填入的参数有

在这里插入图片描述

cfg：（缩写）

关于模型的一些配置，一般都存在model里面，
在这里插入图片描述
整个yolov55总共可以分为4个模型，

里面都是模型参数的一些设置

nc:模型应该分为多少个类
depth_multiple:模型的一些深度

如果选择小模型复制路径填入default
修改之后的代码为
在这里插入图片描述
我们现在来训练模型，这个模型的结构是yolov5s,其中的一些模型初始化的参数采用程序之中的简单初始化，不用其他已经训练好的模型来指定参数初始化

cfg参数可以选择的网络模型

在这里插入图片描述

data

指定训练数据集
在这里插入图片描述

download :指定从哪里下载数据集，没法下载就从浏览器复制地址粘贴下载
train:指定coco数据集应该下载到什么地方
nc:总共有多少个类别
names:每个类别的名称是什么
0 类别代表人

对于data

在这里插入图片描述

hyp 超参数

在这里插入图片描述

scratch 从头开始，一般把这个文件作为从头开始训练的文件
finetune:用于对模型进行一个微调

epochs 训练多少轮

默认300轮
在这里插入图片描述

batch-size 把多少数据打包成一个batch，送到网络当中

在这里插入图片描述

img-size

去分别设置训练集，和数列集的大小
在这里插入图片描述
5s对应640

rect：矩阵的训练方式

在这里插入图片描述

加速模型。减少不必要信息

resume

从最近训练的一个模型当中在它的基础上进行一个训练
在这里插入图片描述
默认是false，但并不是设置为ture就是能运行的，需要指定在哪一个模型的基础上进行一个继续的训练，需要告诉它模型处在什么地方，所以default 后应该设置为模型的位置
需要指定之前训练的模型文件，因为需要读取模型文件和相应的配置
在这里插入图片描述