训练相关基本操作

环境

• python
• torch
• 其他 ``` pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

```

数据集

• 数据格式 ``` ├── images │ ├── train │ └── val └── labels ├── train └── val

```

命令行执行

训练必用train.py

• --weights 默认yolov5s迁移学习，自动下载，输入false则默认加载--cfg中的配置文件
• --cfg 默认在model文件夹下找yaml文件，修改yaml文件实现多种模型子模块的增删改查
• --data 数据集加载，默认data文件夹下找yaml文件
• --hyp 超参，默认data/hyps超参下找yaml
• --epochs 训练代数
• --batch-size 视显存大小而定
• --img 训练尺度
• --resume 断点重训
• --device gpu数量
• --workers 0肯定可以，其他数值请自行尝试
• --patience epochs设置比较大的时候可以用到early-stop

验证必用val.py

• --data 数据集加载，默认data文件夹下找yaml文件
• --weights 想要验证的权重文件地址，支持pt、torchscript、onnx、openvino、trt、tf、paddle
• --batch-size 视验证目标而定
• --conf-thres 置信度阈值，影响较大
• --iou-thres iou阈值
• --max-det 最大检测数量
• --task 主要用val、test、speed
• --device gpu数量
• --workers 0肯定可以，其他数值请自行尝试
• --half fp16推理

推理必用detect.py

• --weights 想要验证的权重文件地址，支持pt、torchscript、onnx、openvino、trt、tf、paddle
• --source 想要推理的目录，可以是图片、视频、文件夹、屏幕、摄像头
• --img 推理尺度
• --conf-thres 置信度阈值，影响较大
• --iou-thres iou阈值
• --max-det 最大检测数量
• --device gpu数量
• --nosave 不保存

导出必用export.py

• --weights 想要导出的权重地址
• --img 导出尺度
• --batch-size 导出尺度
• --device gpu数量
• --half 半精度导出
• --dynamic 动态导出
• --simplify 调用onnx-simplify进行简化
• --opset onnx版本
• --include 导出格式，主要有onnx，torchscript，engine等等

全面验证benchmarks.py

• torch、torchscript、onnx、openvino、trt、coreml、tf等等全部跑一遍
• --weights 想要导出的权重地址
• --img 导出尺度
• --batch-size 导出尺度
• --device gpu数量
• --half 半精度导出
• --pt-only 仅测试pt

代码基础介绍

data数据代码

hyps超参

• 学习率
• 动量参数
• warmup参数
• 分类损失与回归损失的权重参数
• 数据增强参数 ### 数据集.yaml
• 训练集/验证集/测试集地址
• 名称 ## models模块
• common.py子模块实现代码，例如卷积、池化等等
• yolo.py子类实现代码，例如检测、分割等基础模型
• yaml文件，配置类别（自动检测）、宽度、深度、anchor、子模块调用 ## utils工具
• activation.py自定义的激活函数
• augmentations.py自定义的数据增强
• autoanchor.py自动计算anchor
• autobatch.py自动计算batch
• dataloaders.py数据加载
• downloads.py下载工具
• general.py常规工具
• loss.py损失函数
• metrics.py AP的计算工具
• plot.py绘图工具
• torch_utils.py
• triton.py ## classify分类的调用代码 ## segment分割的调用代码

改进方法

训练方式

• 迁移学习：数据集<10w张，建议从官方权重开始迁移学习 python train.py --weigths yolov5s.pt
• 从零训练:数据量大，建议从零训练，epoch可以适当多设置一些 python train.py --weights false --cfg model/yolov5s.yaml ## 训练尺度
• 默认640，可以按照实际需求设置，例如512、480、320，也可以按照论文推荐的640-1280-640的方式来训练，提高训练效果 python train.py --img 320 ## 激活函数的替换
• 在model/common.py中替换掉卷积的激活函数，可以用relu、Lrelu、hardswish等等
• 如果不是torch内置的激活函数，可以将定义添加到common.py中，或者添加到utils/activations.py中调用 ## 宽度高度的调整
• 在models文件夹中添加自己的yaml文件，更改类别数，更改宽度系数和高度系数，可以快速调整整个模型的卷积堆叠个数和filter个数 ## 模型架构调整
• 例如p2模型和p6模型，分别用于小目标检测与超大图检测
• 同时可以在模型中插入、删除、改进部分模块，例如conv替换为dwconv，例如增加注意力机制，例如backbone整个替换 ## 超参调整
• 例如学习率、损失权重、数据增强