1. Toy模板网首页
  2. > Toy博客

手把手带你调参Yolo v5（二）

10月前 作者：深度之眼 分类：Toy博客 阅读(57) 违法举报

这篇具有很好参考价值的文章主要介绍了手把手带你调参Yolo v5（二）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

来源：投稿 作者：王同学
​​​​​​​编辑：学姐

今天我们继续上次的YOLOv5参数解析，这次主要解析源码中train.py文件中包含的参数。

  • 1.1'--weights'

  • 1.2'--cfg'

  • 1.3'--data'

  • 1.4'--hyp'

  • 1.5'--epochs'

  • 1.6'--batch-size'

  • 1.7'--imgsz', '--img', '--img-size'

  • 1.8'--rect'🍀

  • 1.9'--resume'🍀

  • 1.10'--nosave'

  • 1.11'--noval'

  • 1.12'--noautoanchor'🍀

  • 1.13'--evolve'🍀

  • 1.14'--bucket'

  • 1.15'--cache'

  • 1.16'--image-weights'

  • 1.17'--device'

  • 1.18'--multi-scale'🍀

  • 1.19'--single-cls'

  • 1.20'--optimizer'

  • 1.21'--sync-bn'

  • 1.22'--workers'

  • 1.23'--project'

  • 1.24'--name'

  • 1.25'--exist-ok'

  • 1.26'--quad'

  • 1.27'--cos-lr'🍀

  • 1.28'--label-smoothing'🍀

  • 1.29'--patience'

  • 1.30'--freeze'🍀

  • 1.31'--save-period'

  • 1.32'--local_rank'

  • 1.33'--entity'

  • 1.34'--upload_dataset'

  • 1.35'--bbox_interval'

  • 1.36'--artifact_alias'

0.首次运行常见错误🍀

刚拿到代码可以运行train.py文件看看，一般都会出现这个错误：

OMP: Hint This means that multiple copies of the OpenMP runtime have been linked into the program. That is dangerous, since it can degrade performance or cause incorrect results. The best thing to do is to ensure that only a single OpenMP runtime is linked into the process, e.g. by avoiding static linking of the OpenMP runtime in any library. As an unsafe, unsupported, undocumented workaround you can set the environment variable KMP_DUPLICATE_LIB_OK=TRUE to allow the program to continue to execute, but that may cause crashes or silently produce incorrect results. For more information, please see http://www.intel.com/software/products/support/.

解决方案：在train.py文件里加入以下代码：

import os
os.environ['KMP_DUPLICATE_LIB_OK']='TRUE'

1.train.py参数解析🚀

首先还是打开根目录下的train.py，直接看parse_opt()

手把手带你调参Yolo v5（二）

1.1'--weights'

手把手带你调参Yolo v5（二）

指定预训练权重路径；如果这里设置为空的话，就是自己从头开始进行训练；下图是官方提供的预训练权重

手把手带你调参Yolo v5（二）

1.2'--cfg'

手把手带你调参Yolo v5（二）

指定模型配置文件路径的；源码里面提供了这5个配置文件，配置文件里面指定了一些参数信息和backbone的结构信息。

手把手带你调参Yolo v5（二）

手把手带你调参Yolo v5（二）

1.3'--data'

手把手带你调参Yolo v5（二）

数据集对应的参数文件；里面主要存放数据集的类别和路径信息。

手把手带你调参Yolo v5（二）

yolo源码里面提供了9种数据集的配置文件

手把手带你调参Yolo v5（二）

1.4'--hyp'

手把手带你调参Yolo v5（二）

指定超参数文件的路径；超参数里面包含了大量的参数信息，同样提供了5个

手把手带你调参Yolo v5（二）

手把手带你调参Yolo v5（二）

1.5'--epochs'

手把手带你调参Yolo v5（二）

训练的轮数；默认为300轮，显示效果是0-299

1.6'--batch-size'

手把手带你调参Yolo v5（二）

每批次的输入数据量；default=-1将时自动调节batchsize大小。

这里说一下epoch、batchsize、iteration三者之间的联系

1、batchsize是批次大小，假如取batchsize=24，则表示每次训练时在训练集中取24个训练样本进行训练。
2、iteration是迭代次数，1个iteration就等于一次使用24（batchsize大小）个样本进行训练。
3、epoch：1个epoch就等于使用训练集中全部样本训练1次。

1.7'--imgsz', '--img', '--img-size'

手把手带你调参Yolo v5（二）

训练集和测试集图片的像素大小；输入默认640*640，这个参数在你选择yolov5l那些大一点的权重的时候，要进行适当的调整，这样才能达到好的效果。

1.8'--rect'🍀

手把手带你调参Yolo v5（二）

是否采用矩阵推理的方式去训练模型；

所谓矩阵推理就是不再要求你训练的图片是正方形了；矩阵推理会加速模型的推理过程，减少一些冗余信息。

下图分别是方形推理方式和矩阵推理方式

手把手带你调参Yolo v5（二）

手把手带你调参Yolo v5（二）

1.9'--resume'🍀

手把手带你调参Yolo v5（二）

断点续训：即是否在之前训练的一个模型基础上继续训练，default 值默认是 false；如果想采用断点续训的方式，这里我推荐一种写法，即首先将default=False 改为 default=True 随后在终端中键入如下指令

python train.py --resume D:\Pycharm_Projects\yolov5-6.1-4_23\runs\train\exp19\weights\last.pt

==D:\Pycharm_Projects\yolov5-6.1-4_23\runs\train\exp19\weights\last.pt==为你上一次中断时保存的pt文件路径

输入指令后就可以看到模型是继续从上次结束时开始训练的

手把手带你调参Yolo v5（二）

1.10'--nosave'

手把手带你调参Yolo v5（二）

是否只保存最后一轮的pt文件；我们默认是保存best.pt和last.pt两个的

手把手带你调参Yolo v5（二）

1.11'--noval'

手把手带你调参Yolo v5（二）

只在最后一轮测试；正常情况下每个epoch都会计算mAP，但如果开启了这个参数，那么就只在最后一轮上进行测试，不建议开启

1.12'--noautoanchor'🍀

手把手带你调参Yolo v5（二）

是否禁用自动锚框；默认是开启的，自动锚点的好处是可以简化训练过程；

yolov5中预先设定了一下锚定框，这些锚框是针对coco数据集的，其他目标检测也适用，可以在models/yolov5.文件中查看，例如如图所示，这些框针对的图片大小是640640。这是默认的anchor大小。需要注意的是在目标检测任务中，一般使用大特征图上去检测小目标，因为大特征图含有更多小目标信息，因此大特征图上的anchor数值通常设置为小数值，小特征图检测大目标，因此小特征图上anchor数值设置较大。

手把手带你调参Yolo v5（二）

在yolov5 中自动锚定框选项，训练开始前，会自动计算数据集标注信息针对默认锚定框的最佳召回率，当最佳召回率大于等于0.98时，则不需要更新锚定框；如果最佳召回率小于0.98，则需要重新计算符合此数据集的锚定框。在parse_opt设置了默认自动计算锚框选项，如果不想自动计算，可以设置这个，建议不要改动。

1.13'--evolve'🍀

手把手带你调参Yolo v5（二）

遗传超参数进化；yolov5使用遗传超参数进化，提供的默认参数是通过在COCO数据集上使用超参数进化得来的（也就是下图这些参数）。由于超参数进化会耗费大量的资源和时间，所以建议大家不要动这个参数。

遗传算法是利用种群搜索技术将种群作为一组问题解，通过对当前种群施加类似生物遗传环境因素的选择、交叉、变异等一系列的遗传操作来产生新一代的种群，并逐步使种群优化到包含近似最优解的状态，遗传算法调优能够求出优化问题的全局最优解，优化结果与初始条件无关，算法独立于求解域，具有较强的鲁棒性，适合于求解复杂的优化问题，应用较为广泛。

手把手带你调参Yolo v5（二）

1.14'--bucket'

手把手带你调参Yolo v5（二）

谷歌云盘；通过这个参数可以下载谷歌云盘上的一些东西，但是现在没必要使用了

1.15'--cache'

手把手带你调参Yolo v5（二）

是否提前缓存图片到内存，以加快训练速度，默认False；开启这个参数就会对图片进行缓存，从而更好的训练模型。

1.16'--image-weights'

手把手带你调参Yolo v5（二）

是否启用加权图像策略，默认是不开启的；主要是为了解决样本不平衡问题；开启后会对于上一轮训练效果不好的图片，在下一轮中增加一些权重；

1.17'--device'

手把手带你调参Yolo v5（二）

设备选择；这个参数就是指定硬件设备的，系统会自己判断的

1.18'--multi-scale'🍀

手把手带你调参Yolo v5（二）

是否启用多尺度训练，默认是不开启的；多尺度训练是指设置几种不同的图片输入尺度，训练时每隔一定iterations随机选取一种尺度训练，这样训练出来的模型鲁棒性更强。

多尺度训练在比赛中经常可以看到他身影，是被证明了有效提高性能的方式。输入图片的尺寸对检测模型的性能影响很大，在基础网络部分常常会生成比原图小数十倍的特征图，导致小物体的特征描述不容易被检测网络捕捉。通过输入更大、更多尺寸的图片进行训练，能够在一定程度上提高检测模型对物体大小的鲁棒性。

1.19'--single-cls'

手把手带你调参Yolo v5（二）

设定训练数据集是单类别还是多类别；默认为 false多类别

1.20'--optimizer'

手把手带你调参Yolo v5（二）

选择优化器；默认为SGD，可选SGD，Adam，AdamW

1.21'--sync-bn'

手把手带你调参Yolo v5（二）

是否开启跨卡同步BN；开启参数后即可使用 SyncBatchNorm多 GPU 进行分布式训练

1.22'--workers'

手把手带你调参Yolo v5（二）

最大worker数量；这里经常出问题，建议设置成0

1.23'--project'

手把手带你调参Yolo v5（二）

指定训练好的模型的保存路径；默认在runs/train

手把手带你调参Yolo v5（二）

1.24'--name'

手把手带你调参Yolo v5（二）

设定保存的模型文件夹名，默认在exp；

1.25'--exist-ok'

手把手带你调参Yolo v5（二）

每次预测模型的结果是否保存在原来的文件夹；如果指定了这个参数的话，那么本次预测的结果还是保存在上一次保存的文件夹里；如果不指定就是每次预测结果保存一个新的文件夹下。

1.26'--quad'

手把手带你调参Yolo v5（二）

官方给出的开启这个功能后的实际效果：

  • 好处是在比默认 640 大的数据集上训练效果更好

  • 副作用是在 640 大小的数据集上训练效果可能会差一些

1.27'--cos-lr'🍀

手把手带你调参Yolo v5（二）

是否开启余弦学习率；

手把手带你调参Yolo v5（二）

这是我不采用cos-lr时学习率的曲线：

手把手带你调参Yolo v5（二）

开启后的学习率应该是这样子：

手把手带你调参Yolo v5（二）

1.28'--label-smoothing'🍀

手把手带你调参Yolo v5（二）

是否对标签进行平滑处理，默认是不启用的；

在训练样本中，我们并不能保证所有sample都标注正确，如果某个样本标注错误，就可能产生负面印象，如果我们有办法“告诉”模型，样本的标签不一定正确，那么训练出来的模型对于少量的样本错误就会有“免疫力”采用随机化的标签作为训练数据时，损失函数有1-ε的概率与上面的式子相同，比如说告诉模型只有0.95概率是那个标签。

1.29'--patience'

手把手带你调参Yolo v5（二）

早停；如果模型在default值轮数里没有提升，则停止训练模型

1.30'--freeze'🍀

手把手带你调参Yolo v5（二）

指定冻结层数量；可以在yolov5s.yaml中查看主干网络层数。

冻结训练是迁移学习常用的方法，当我们在使用数据量不足的情况下，通常我们会选择公共数据集提供权重作为预训练权重，我们知道网络的backbone主要是用来提取特征用的，一般大型数据集训练好的权重主干特征提取能力是比较强的，这个时候我们只需要冻结主干网络，fine-tune后面层就可以了，不需要从头开始训练，大大减少了实践而且还提高了性能。

手把手带你调参Yolo v5（二）

例如如下指令，代表冻结前8层，因为只有9层，注意不要超过9

python train.py --freeze 8

这里分享一个对比冻结效果的项目

这里是项目的部分截图

手把手带你调参Yolo v5（二）

1.31'--save-period'

手把手带你调参Yolo v5（二）

用于设置多少个epoch保存一下checkpoint；

1.32'--local_rank'

手把手带你调参Yolo v5（二）

DistributedDataParallel 单机多卡训练，单GPU设备不需要设置；

1.33'--entity'

手把手带你调参Yolo v5（二）

在线可视化工具，类似于tensorboard

1.34'--upload_dataset'

手把手带你调参Yolo v5（二）

是否上传dataset到wandb tabel(将数据集作为交互式 dsviz表 在浏览器中查看、查询、筛选和分析数据集) 默认False

1.35'--bbox_interval'

手把手带你调参Yolo v5（二）

设置界框图像记录间隔 Set bounding-box image logging interval for W&B 默认-1

1.36'--artifact_alias'

手把手带你调参Yolo v5（二）

功能作者还未实现

小彩蛋🎉

当我们设置完参数以后，可以通过如下的方式来查看参数具体的值，这里拿detect.py文件举例

第一步:在这个位置打个断点

手把手带你调参Yolo v5（二）

第二步:点击“debug”

手把手带你调参Yolo v5（二）

第三步:点击“步过”

手把手带你调参Yolo v5（二）

最后一步:展开opt就可以看到我们的参数信息啦

手把手带你调参Yolo v5（二）

有问题欢迎大家指正，如果感觉有帮助的话请点赞支持下👍📖🌟

Yolo系列论文+代码数据集🚀🚀🚀

点击下方卡片关注《学姐带你玩AI》回复“YOLO”即可领取

码字不易，欢迎大家点赞评论收藏！文章来源地址https://www.toymoban.com/news/detail-446669.html

到了这里，关于手把手带你调参Yolo v5（二）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：
领支付宝红包 赞助服务器费用

相关文章

  • 如何运用yolov5训练自己的数据（手把手教你学yolo）

    在这篇博文中，我们对YOLOv5模型进行微调，用于自定义目标检测的训练和推理。 深度学习领域在2012年开始快速发展。在那个时候，这个领域还比较独特，编写深度学习程序和软件的人要么是深度学习实践者，要么是在该领域有丰富经验的研究人员，或者是具备优秀编码技能

    2024年02月07日
    浏览(141)
  • 【手把手带你学JavaSE】第六篇：类和对象

    【手把手带你学JavaSE】第六篇：类和对象

    对了！给大家推荐一个刷题学习、面试神器——牛客网 里面有非常多的题库，跟面试经验~非常的良心！！ 什么是类？ 什么是对象？ 怎么去理解这两个抽象的概念呢？ Java是一门纯面向对象的语言(Object Oriented Program，继承OOP)，在面向对象的世界里，一切皆为对象。 面向对象

    2023年04月20日
    浏览(57)
  • 从0手把手带你搭建pytorch深度学习

    从0手把手带你搭建pytorch深度学习

    目录 一、查看电脑有NVIDIA显卡没 二、更新电脑驱动 三、安装CUDA ToolKit和CUDNN 1、查看显卡驱动版本 2、查看合适的CUDA版本 3、下载CUDA ToolKit 4、安装CUDA 5、查看是否安装成功 6、安装CUDNN 7、CUDNN配置 四、安装anaconda 五、安装pycharm 六、搭建pytorch深度学习环境 1、进入Anaconda Pr

    2024年02月07日
    浏览(55)
  • 手把手带你实现DQN（TensorFlow2）

    手把手带你实现DQN（TensorFlow2）

            大家好，今天给大家带来DQN的思路及实现方法。         关于DQN，就不用我多做介绍了，我会以最简短明白的阐述讲解DQN，尽量让你在10分钟内理清思路。         非常重要的一点！！！         非常重要的一点！！！我在GitHub上下载了DQN代码，跑完后，我重写一

    2023年04月08日
    浏览(58)

  • 手把手带你配置一个DHCP服务器

    最近部门内部成立一个网络兴趣小组，初衷是通过网络知识学习，在遇到网络问题时能够承担起一个与网络侧同学有效沟通的“连接人”的角色，求学这么多年其实也陆续学了不少的网络相关课程，本科的计算机网络、硕士的高等计网等，不过当时大多都停留在理论层面，趁

    2024年02月05日
    浏览(91)
  • 手把手带你做一套毕业设计-征程开启

    手把手带你做一套毕业设计-征程开启

     本文是《Vue + SpringBoot前后端分离项目实战》专栏的开篇，文本将会包含我们创作这个专栏的初衷，专栏的主体内容，以及我们专栏的后续规划。关于这套毕业设计的作者呢前端部分由狗哥负责，服务端部分则由天哥操刀。我们力求毕业生或者新手通过学完本专栏，可以开心

    2023年04月10日
    浏览(182)
  • 实战项目：手把手带你实现一个高并发内存池

    实战项目：手把手带你实现一个高并发内存池

    1.这个项目做的是什么？ 当前项目是实现一个高并发的内存池，他的原型是google的一个开源项目tcmalloc，tcmalloc全称Thread-Caching Malloc，即线程缓存的malloc，实现了高效的多线程内存管理，用于替代系统的内存分配相关的函数（malloc、free）。 2.项目目标 模拟实现出一个自己的高

    2023年04月26日
    浏览(74)

  • 手把手带你啃透比特币白皮书-摘要

    很多人虽然了解了区块链，也可能参与了一些项目，但是可能没有见过比特币白皮书，也没有读过。我接下来就要和大家聊一聊，什么是白皮书，尤其是来给大家精读一下比特币的白皮书。 通过比特币白皮书，你能够 了解到真正的白皮书应该是什么样形式的 。因为很多人可

    2024年02月02日
    浏览(60)
  • 真手把手带你跑r3live

    真手把手带你跑r3live

    实验室来了台机器人，上面的设备是依据r3live的设备选的，因为R3LIVE的效果太好了，特别感谢大佬的开源精神。这几天把车子跑起来，就打算写个博客记录一下。 本人能力有限，可能某些地方会有些问题，若发现问题，还请指正。 效果如下： 在多传感器融合slam中，由于会集

    2024年02月09日
    浏览(84)

  • 【reverse】手把手带你基于dll实现多次SMC

    SMC，即self modifying code，自修改代码，逆向入门SMC可以看一下我的题解。我打算实现一个类似于【网鼎杯2020青龙组】jocker的SMC方案。这个方案不需要用到汇编，因此门槛极低（ 连小小前端都能学会 ）。为什么要基于dll呢？因为代码段加密功能是通过外部python脚本完成的，将自

    2024年02月02日
    浏览(60)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包，优惠每天领

二维码1

领取红包

二维码2

领红包