yolov5——train.py代码【注释、详解、使用教程】

yolov5——train.py代码【注释、详解、使用教程】

  • yolov5——train.py代码【注释、详解、使用教程】
  • 前言
  • 1. parse_opt函数
  • 2. main函数
    • 2.1 main函数——打印关键词/安装环境
    • 2.2 main函数——是否进行断点训练
    • 2.3 main函数——是否分布式训练
    • 2.4 main函数——是否进化训练/遗传算法调参
  • 3. train函数
    • 3.1 train函数——基本配置信息
    • 3.2 train函数——模型加载/断点训练
    • 3.3 train函数——冻结训练/冻结层设置
    • 3.4 train函数——图片大小/batchsize设置
    • 3.5 train函数——优化器选择 / 分组优化设置
    • 3.6 train函数——学习率/ema/归一化/单机多卡
    • 3.7 train函数——数据加载 / anchor调整
    • 3.8 train函数——训练配置/多尺度训练/热身训练
    • 3.9 train函数——训练结束/打印信息/保存结果
  • 4. run函数
  • 5.全部代码注释
  • 使用教程

前言

最近在用yolov5参加比赛，yolov5的技巧很多，仅仅用来参加比赛，着实有点浪费，所以有必要好好学习一番，在认真学习之前，首先向yolov5的作者致敬，对了我是用的版本是v6。每每看到这些大神的作品，实在是有点惭愧，要学的太多了。

1. parse_opt函数

def parse_opt(known=False):"""argparse 使用方法：parse = argparse.ArgumentParser()parse.add_argument('--s', type=int, default=2, help='flag_int')"""parser = argparse.ArgumentParser()# weights 权重的路径./weights/yolov5s.pt.... # yolov5提供4个不同深度不同宽度的预训练权重 用户可以根据自己的需求选择下载parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')# cfg 配置文件（网络结构） anchor/backbone/numclasses/head，训练自己的数据集需要自己生成# 生成方式——例如我的yolov5s_mchar.yaml 根据自己的需求选择复制./models/下面.yaml文件，5个文件的区别在于模型的深度和宽度依次递增parser.add_argument('--cfg', type=str, default='', help='model.yaml path')# data 数据集配置文件（路径） train/val/label/， 该文件需要自己生成# 生成方式——例如我的/data/mchar.yaml 训练集和验证集的路径 + 类别数 + 类别名称parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')# hpy超参数设置文件（lr/sgd/mixup）./data/hyps/下面有5个超参数设置文件，每个文件的超参数初始值有细微区别，用户可以根据自己的需求选择其中一个parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')# epochs 训练轮次， 默认轮次为300次parser.add_argument('--epochs', type=int, default=300)# batchsize 训练批次， 默认bs=16parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')# imagesize 设置图片大小, 默认640*640parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')# rect 是否采用矩形训练，默认为Falseparser.add_argument('--rect', action='store_true', help='rectangular training')# resume 是否接着上次的训练结果，继续训练parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')# nosave 不保存模型  默认False(保存)  在./runs/exp*/train/weights/保存两个模型 一个是最后一次的模型 一个是最好的模型# best.pt/ last.pt 不建议运行代码添加 --nosave parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')# noval 最后进行测试, 设置了之后就是训练结束都测试一下， 不设置每轮都计算mAP, 建议不设置parser.add_argument('--noval', action='store_true', help='only validate final epoch')# noautoanchor 不自动调整anchor, 默认False, 自动调整anchorparser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')# evolve参数进化， 遗传算法调参parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')# bucket谷歌优盘 / 一般用不到parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')# cache 是否提前缓存图片到内存，以加快训练速度，默认Falseparser.add_argument('--cache', type=str, nargs='?', const='ram', help='--cache images in "ram" (default) or "disk"')# mage-weights 使用图片采样策略，默认不使用parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')# device 设备选择parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')# multi-scale 多测度训练parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')# single-cls 数据集是否多类/默认Trueparser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')# optimizer 优化器选择 / 提供了三种优化器parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='SGD', help='optimizer')# sync-bn:是否使用跨卡同步BN,在DDP模式使用parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')# workers/dataloader的最大worker数量parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')# 保存路径 / 默认保存路径 ./runs/ trainparser.add_argument('--project', default=ROOT / 'runs/train', help='save to project/name')# 实验名称parser.add_argument('--name', default='exp', help='save to project/name')# 项目位置是否存在 / 默认是都不存在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')# cos-lr 余弦学习率parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler')# 标签平滑 / 默认不增强， 用户可以根据自己标签的实际情况设置这个参数，建议设置小一点 0.1 / 0.05parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')# 早停止忍耐次数 / 100次不更新就停止训练parser.add_argument('--patience', type=int, default=100, help='EarlyStopping patience (epochs without improvement)')# --freeze冻结训练 可以设置 default = [0] 数据量大的情况下，建议不设置这个参数parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone=10, first3=0 1 2')# --save-period 多少个epoch保存一下checkpointparser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')# --local_rank 进程编号 / 多卡使用parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')# Weights & Biases arguments# 在线可视化工具，类似于tensorboard工具，想了解这款工具可以查看https://zhuanlan.zhihu.com/p/266337608parser.add_argument('--entity', default=None, help='W&B: Entity')# upload_dataset: 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Falseparser.add_argument('--upload_dataset', nargs='?', const=True, default=False, help='W&B: Upload data, "val" option')# bbox_interval: 设置界框图像记录间隔 Set bounding-box image logging interval for W&B 默认-1   opt.epochs // 10parser.add_argument('--bbox_interval', type=int, default=-1, help='W&B: Set bounding-box image logging interval')# 使用数据的版本parser.add_argument('--artifact_alias', type=str, default='latest', help='W&B: Version of dataset artifact to use')# 传入的基本配置中没有的参数也不会报错# parse_args()和parse_known_args() # parse = argparse.ArgumentParser()# parse.add_argument('--s', type=int, default=2, help='flag_int')# parser.parse_args() / parse_args()opt = parser.parse_known_args()[0] if known else parser.parse_args()return opt

2. main函数

2.1 main函数——打印关键词/安装环境

def main(opt, callbacks=Callbacks()):############################################### 1. Checks ##################################################if RANK in [-1, 0]:# 输出所有训练参数 / 参数以彩色的方式表现print_args(FILE.stem, opt)# 检查代码版本是否更新check_git_status()# 检查安装是否都安装了 requirements.txt， 缺少安装包安装。# 缺少安装包：建议使用 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txtcheck_requirements(exclude=['thop'])

2.2 main函数——是否进行断点训练

############################################### 2. Resume ################################################### 初始化可视化工具wandb,wandb使用教程看https://zhuanlan.zhihu.com/p/266337608# 断点训练使用教程可以查看：https://blog.csdn.net/CharmsLUO/article/details/123410081if opt.resume and not check_wandb_resume(opt) and not opt.evolve:  # resume an interrupted run# isinstance()是否是已经知道的类型# 如果resume是True，则通过get_lastest_run()函数找到runs为文件夹中最近的权重文件last.ptckpt = opt.resume if isinstance(opt.resume, str) else get_latest_run()  # specified or most recent path# 判断是否是文件assert os.path.isfile(ckpt), 'ERROR: --resume checkpoint does not exist'#  # 相关的opt参数也要替换成last.pt中的opt参数 safe_load()yaml文件加载数据with open(Path(ckpt).parent.parent / 'opt.yaml', errors='ignore') as f:# argparse.Namespace 可以理解为字典opt = argparse.Namespace(**yaml.safe_load(f))  # replaceopt.cfg, opt.weights, opt.resume = '', ckpt, True  # reinstate# 打印断点训练信息LOGGER.info(f'Resuming training from {ckpt}')else:# 不使用断点训练就在加载输入的参数opt.data, opt.cfg, opt.hyp, opt.weights, opt.project = \check_file(opt.data), check_yaml(opt.cfg), check_yaml(opt.hyp), str(opt.weights), str(opt.project)  # checksassert len(opt.cfg) or len(opt.weights), 'either --cfg or --weights must be specified'# opt.evolve=False,opt.name='exp'    opt.evolve=True,opt.name='evolve'if opt.evolve:if opt.project == str(ROOT / 'runs/train'):  # if default project name, rename to runs/evolveopt.project = str(ROOT / 'runs/evolve')opt.exist_ok, opt.resume = opt.resume, False  # pass resume to exist_ok and disable resume# 保存相关信息opt.save_dir = str(increment_path(Path(opt.project) / opt.name, exist_ok=opt.exist_ok))

2.3 main函数——是否分布式训练

# ############################################## 3.DDP mode ################################################ 选择设备cpu/cudadevice = select_device(opt.device, batch_size=opt.batch_size)# 多卡训练GPUif LOCAL_RANK != -1:msg = 'is not compatible with YOLOv5 Multi-GPU DDP training'assert not opt.image_weights, f'--image-weights {msg}'assert not opt.evolve, f'--evolve {msg}'assert opt.batch_size != -1, f'AutoBatch with --batch-size -1 {msg}, please pass a valid --batch-size'assert opt.batch_size % WORLD_SIZE == 0, f'--batch-size {opt.batch_size} must be multiple of WORLD_SIZE'assert torch.cuda.device_count() > LOCAL_RANK, 'insufficient CUDA devices for DDP command'# 根据编号选择设备#使用torch.cuda.set_device()可以更方便地将模型和数据加载到对应GPU上, 直接定义模型之前加入一行代码即可# torch.cuda.set_device(gpu_id) #单卡# torch.cuda.set_device('cuda:'+str(gpu_ids)) #可指定多卡torch.cuda.set_device(LOCAL_RANK)device = torch.device('cuda', LOCAL_RANK)# 初始化多进程dist.init_process_group(backend="nccl" if dist.is_nccl_available() else "gloo")

2.4 main函数——是否进化训练/遗传算法调参

################################################ 4. Train ################################################## 不设置evolve直接调用train训练if not opt.evolve:train(opt.hyp, opt, device, callbacks)# 分布式训练 WORLD_SIZE=主机的数量# 如果是使用多卡训练, 那么销毁进程组if WORLD_SIZE > 1 and RANK == 0:LOGGER.info('Destroying process group... ')# 使用多卡训练, 那么销毁进程组dist.destroy_process_group()# Evolve hyperparameters (optional)# 遗传净化算法/一边训练一遍进化# 了解遗传算法可以查看我的博客：else:# Hyperparameter evolution metadata (mutation scale 0-1, lower_limit, upper_limit)# 超参数列表(突变范围 - 最小值 - 最大值)meta = {'lr0': (1, 1e-5, 1e-1),  # initial learning rate (SGD=1E-2, Adam=1E-3)'lrf': (1, 0.01, 1.0),  # final OneCycleLR learning rate (lr0 * lrf)'momentum': (0.3, 0.6, 0.98),  # SGD momentum/Adam beta1'weight_decay': (1, 0.0, 0.001),  # optimizer weight decay'warmup_epochs': (1, 0.0, 5.0),  # warmup epochs (fractions ok)'warmup_momentum': (1, 0.0, 0.95),  # warmup initial momentum'warmup_bias_lr': (1, 0.0, 0.2),  # warmup initial bias lr'box': (1, 0.02, 0.2),  # box loss gain'cls': (1, 0.2, 4.0),  # cls loss gain'cls_pw': (1, 0.5, 2.0),  # cls BCELoss positive_weight'obj': (1, 0.2, 4.0),  # obj loss gain (scale with pixels)'obj_pw': (1, 0.5, 2.0),  # obj BCELoss positive_weight'iou_t': (0, 0.1, 0.7),  # IoU training threshold'anchor_t': (1, 2.0, 8.0),  # anchor-multiple threshold'anchors': (2, 2.0, 10.0),  # anchors per output grid (0 to ignore)'fl_gamma': (0, 0.0, 2.0),  # focal loss gamma (efficientDet default gamma=1.5)'hsv_h': (1, 0.0, 0.1),  # image HSV-Hue augmentation (fraction)'hsv_s': (1, 0.0, 0.9),  # image HSV-Saturation augmentation (fraction)'hsv_v': (1, 0.0, 0.9),  # image HSV-Value augmentation (fraction)'degrees': (1, 0.0, 45.0),  # image rotation (+/- deg)'translate': (1, 0.0, 0.9),  # image translation (+/- fraction)'scale': (1, 0.0, 0.9),  # image scale (+/- gain)'shear': (1, 0.0, 10.0),  # image shear (+/- deg)'perspective': (0, 0.0, 0.001),  # image perspective (+/- fraction), range 0-0.001'flipud': (1, 0.0, 1.0),  # image flip up-down (probability)'fliplr': (0, 0.0, 1.0),  # image flip left-right (probability)'mosaic': (1, 0.0, 1.0),  # image mixup (probability)'mixup': (1, 0.0, 1.0),  # image mixup (probability)'copy_paste': (1, 0.0, 1.0)}  # segment copy-paste (probability)with open(opt.hyp, errors='ignore') as f:# 加载yaml超参数hyp = yaml.safe_load(f)  # load hyps dictif 'anchors' not in hyp:  # anchors commented in hyp.yamlhyp['anchors'] = 3opt.noval, opt.nosave, save_dir = True, True, Path(opt.save_dir)  # only val/save final epoch# ei = [isinstance(x, (int, float)) for x in hyp.values()]  # evolvable indices# 保存进化的超参数列表evolve_yaml, evolve_csv = save_dir / 'hyp_evolve.yaml', save_dir / 'evolve.csv'if opt.bucket:os.system(f'gsutil cp gs://{opt.bucket}/evolve.csv {evolve_csv}')  # download evolve.csv if exists"""遗传算法调参：遵循适者生存、优胜劣汰的法则，即寻优过程中保留有用的，去除无用的。遗传算法需要提前设置4个参数: 群体大小/进化代数/交叉概率/变异概率"""# 默认选择进化300代for _ in range(opt.evolve):  # generations to evolveif evolve_csv.exists():  # if evolve.csv exists: select best hyps and mutate# Select parent(s)# 进化方式--single / --weightparent = 'single'  # parent selection method: 'single' or 'weighted'# 加载evolve.txt文件x = np.loadtxt(evolve_csv, ndmin=2, delimiter=',', skiprows=1)# 选取进化结果代数n = min(5, len(x))  # number of previous results to considerx = x[np.argsort(-fitness(x))][:n]  # top n mutations# 根据resluts计算hyp权重w = fitness(x) - fitness(x).min() + 1E-6  # weights (sum > 0)# 根据不同进化方式获得base hypif parent == 'single' or len(x) == 1:# x = x[random.randint(0, n - 1)]  # random selectionx = x[random.choices(range(n), weights=w)[0]]  # weighted selectionelif parent == 'weighted':x = (x * w.reshape(n, 1)).sum(0) / w.sum()  # weighted combination# Mutate# # 获取突变初始值mp, s = 0.8, 0.2  # mutation probability, sigmanpr = np.randomnpr.seed(int(time.time()))g = np.array([meta[k][0] for k in hyp.keys()])  # gains 0-1ng = len(meta)v = np.ones(ng)# 设置突变while all(v == 1):  # mutate until a change occurs (prevent duplicates)# 将突变添加到base hyp上# [i+7]是因为x中前7个数字为results的指标(P,R,mAP,F1,test_loss=(box,obj,cls)),之后才是超参数hypv = (g * (npr.random(ng) < mp) * npr.randn(ng) * npr.random() * s + 1).clip(0.3, 3.0)for i, k in enumerate(hyp.keys()):  # plt.hist(v.ravel(), 300)hyp[k] = float(x[i + 7] * v[i])  # mutate# Constrain to limits# 限制超参再规定范围for k, v in meta.items():hyp[k] = max(hyp[k], v[1])  # lower limithyp[k] = min(hyp[k], v[2])  # upper limithyp[k] = round(hyp[k], 5)  # significant digits# Train mutation# 训练 使用突变后的参超 测试其效果results = train(hyp.copy(), opt, device, callbacks)callbacks = Callbacks()# Write mutation results# Write mutation results# 将结果写入results 并将对应的hyp写到evolve.txt evolve.txt中每一行为一次进化的结果# 每行前七个数字 (P, R, mAP, F1, test_losses(GIOU, obj, cls)) 之后为hyp# 保存hyp到yaml文件print_mutation(results, hyp.copy(), save_dir, opt.bucket)# Plot results# 将结果可视化 / 输出保存信息plot_evolve(evolve_csv)LOGGER.info(f'Hyperparameter evolution finished {opt.evolve} generations\n'f"Results saved to {colorstr('bold', save_dir)}\n"f'Usage example: $ python train.py --hyp {evolve_yaml}')

3. train函数

3.1 train函数——基本配置信息

################################################ 1. 传入参数/基本配置 ############################################## opt传入的参数save_dir, epochs, batch_size, weights, single_cls, evolve, data, cfg, resume, noval, nosave, workers, freeze = \Path(opt.save_dir), opt.epochs, opt.batch_size, opt.weights, opt.single_cls, opt.evolve, opt.data, opt.cfg, \opt.resume, opt.noval, opt.nosave, opt.workers, opt.freeze# Directoriesw = save_dir / 'weights'  # weights dir# 新建文件夹 weights train evolve(w.parent if evolve else w).mkdir(parents=True, exist_ok=True)  # make dir# 保存训练结果的目录  如runs/train/exp*/weights/last.ptlast, best = w / 'last.pt', w / 'best.pt'# Hyperparameters # isinstance()是否是已知类型if isinstance(hyp, str):with open(hyp, errors='ignore') as f:# 加载yaml文件hyp = yaml.safe_load(f)  # load hyps dict# 打印超参数 彩色字体LOGGER.info(colorstr('hyperparameters: ') + ', '.join(f'{k}={v}' for k, v in hyp.items()))# Save run settings# 如果不使用进化训练if not evolve:# safe_dump() python值转化为yaml序列化with open(save_dir / 'hyp.yaml', 'w') as f:yaml.safe_dump(hyp, f, sort_keys=False)with open(save_dir / 'opt.yaml', 'w') as f:# vars(opt) 的作用是把数据类型是Namespace的数据转换为字典的形式。yaml.safe_dump(vars(opt), f, sort_keys=False)# Loggersdata_dict = Noneif RANK in [-1, 0]:loggers = Loggers(save_dir, weights, opt, hyp, LOGGER)  # loggers instanceif loggers.wandb:data_dict = loggers.wandb.data_dictif resume:weights, epochs, hyp, batch_size = opt.weights, opt.epochs, opt.hyp, opt.batch_size# Register actionsfor k in methods(loggers):callbacks.register_action(k, callback=getattr(loggers, k))# Config 画图plots = not evolve  # create plots# GPU / CPUcuda = device.type != 'cpu'# 随机种子init_seeds(1 + RANK)# 存在子进程-分布式训练with torch_distributed_zero_first(LOCAL_RANK):data_dict = data_dict or check_dataset(data)  # check if None# 训练集和验证集的位路径train_path, val_path = data_dict['train'], data_dict['val']# 设置类别 是否单类nc = 1 if single_cls else int(data_dict['nc'])  # number of classes# 类别对应的名称names = ['item'] if single_cls and len(data_dict['names']) != 1 else data_dict['names']  # class names# 判断类别长度和文件是否对应assert len(names) == nc, f'{len(names)} names found for nc={nc} dataset in {data}'  # check# 当前数据集是否是coco数据集(80个类别) is_coco = isinstance(val_path, str) and val_path.endswith('coco/val2017.txt')  # COCO dataset

3.2 train函数——模型加载/断点训练

################################################### 2. Model ############################################ 检查文件后缀是否是.ptcheck_suffix(weights, '.pt')  # check weights# 加载预训练权重 yolov5提供了5个不同的预训练权重，大家可以根据自己的模型选择预训练权重pretrained = weights.endswith('.pt')if pretrained:# # torch_distributed_zero_first(RANK): 用于同步不同进程对数据读取的上下文管理器with torch_distributed_zero_first(LOCAL_RANK):# 如果本地不存在就从网站上下载weights = attempt_download(weights)  # download if not found locally# 加载模型以及参数ckpt = torch.load(weights, map_location='cpu')  # load checkpoint to CPU to avoid CUDA memory leak"""两种加载模型的方式: opt.cfg / ckpt['model'].yaml使用resume-断点训练: 选择ckpt['model']yaml创建模型, 且不加载anchor使用断点训练时,保存的模型会保存anchor,所以不需要加载"""model = Model(cfg or ckpt['model'].yaml, ch=3, nc=nc, anchors=hyp.get('anchors')).to(device)  # createexclude = ['anchor'] if (cfg or hyp.get('anchors')) and not resume else []  # exclude keyscsd = ckpt['model'].float().state_dict()  # checkpoint state_dict as FP32# 筛选字典中的键值对  把exclude删除csd = intersect_dicts(csd, model.state_dict(), exclude=exclude)  # intersectmodel.load_state_dict(csd, strict=False)  # loadLOGGER.info(f'Transferred {len(csd)}/{len(model.state_dict())} items from {weights}')  # reportelse:# 不适用预训练权重model = Model(cfg, ch=3, nc=nc, anchors=hyp.get('anchors')).to(device)  # create

3.3 train函数——冻结训练/冻结层设置

################################################ 3. Freeze/冻结训练 ########################################## 冻结训练的网络层freeze = [f'model.{x}.' for x in (freeze if len(freeze) > 1 else range(freeze[0]))]  # layers to freezefor k, v in model.named_parameters():v.requires_grad = True  # train all layersif any(x in k for x in freeze):LOGGER.info(f'freezing {k}')# 冻结训练的层梯度不更新v.requires_grad = False

3.4 train函数——图片大小/batchsize设置

# Image sizegs = max(int(model.stride.max()), 32)  # grid size (max stride)# 检查图片的大小imgsz = check_img_size(opt.imgsz, gs, floor=gs * 2)  # verify imgsz is gs-multiple# Batch sizeif RANK == -1 and batch_size == -1:  # single-GPU only, estimate best batch sizebatch_size = check_train_batch_size(model, imgsz)loggers.on_params_update({"batch_size": batch_size})

3.5 train函数——优化器选择 / 分组优化设置

############################################ 4. Optimizer/优化器 ###########################################"""nbs = 64batchsize = 16accumulate = 64 / 16 = 4模型梯度累计accumulate次之后就更新一次模型 相当于使用更大batch_size"""nbs = 64  # nominal batch sizeaccumulate = max(round(nbs / batch_size), 1)  # accumulate loss before optimizing# 权重衰减参数hyp['weight_decay'] *= batch_size * accumulate / nbs  # scale weight_decay# 打印日志LOGGER.info(f"Scaled weight_decay = {hyp['weight_decay']}")# 将模型参数分为三组(weights、biases、bn)来进行分组优化g0, g1, g2 = [], [], []  # optimizer parameter groupsfor v in model.modules():if hasattr(v, 'bias') and isinstance(v.bias, nn.Parameter):  # biasg2.append(v.bias)if isinstance(v, nn.BatchNorm2d):  # weight (no decay)g0.append(v.weight)elif hasattr(v, 'weight') and isinstance(v.weight, nn.Parameter):  # weight (with decay)g1.append(v.weight)# 选择优化器 / 提供了三个优化器——g0if opt.optimizer == 'Adam':optimizer = Adam(g0, lr=hyp['lr0'], betas=(hyp['momentum'], 0.999))  # adjust beta1 to momentumelif opt.optimizer == 'AdamW':optimizer = AdamW(g0, lr=hyp['lr0'], betas=(hyp['momentum'], 0.999))  # adjust beta1 to momentumelse:optimizer = SGD(g0, lr=hyp['lr0'], momentum=hyp['momentum'], nesterov=True)# 设置优化的方式——g1 / g2optimizer.add_param_group({'params': g1, 'weight_decay': hyp['weight_decay']})  # add g1 with weight_decayoptimizer.add_param_group({'params': g2})  # add g2 (biases)# 打印log日志 优化信息LOGGER.info(f"{colorstr('optimizer:')} {type(optimizer).__name__} with parameter groups "f"{len(g0)} weight (no decay), {len(g1)} weight, {len(g2)} bias")# 删除变量del g0, g1, g2

3.6 train函数——学习率/ema/归一化/单机多卡

############################################ 5. Scheduler ############################################### 是否余弦学习率调整方式if opt.cos_lr:lf = one_cycle(1, hyp['lrf'], epochs)  # cosine 1->hyp['lrf']else:lf = lambda x: (1 - x / epochs) * (1.0 - hyp['lrf']) + hyp['lrf']  # linearscheduler = lr_scheduler.LambdaLR(optimizer, lr_lambda=lf)  # plot_lr_scheduler(optimizer, scheduler, epochs)# EMA# 使用EMA（指数移动平均）对模型的参数做平均, 一种给予近期数据更高权重的平均方法, 以求提高测试指标并增加模型鲁棒。ema = ModelEMA(model) if RANK in [-1, 0] else None# Resumestart_epoch, best_fitness = 0, 0.0if pretrained:# Optimizerif ckpt['optimizer'] is not None:optimizer.load_state_dict(ckpt['optimizer'])best_fitness = ckpt['best_fitness']# EMAif ema and ckpt.get('ema'):ema.ema.load_state_dict(ckpt['ema'].float().state_dict())ema.updates = ckpt['updates']# Epochsstart_epoch = ckpt['epoch'] + 1if resume:assert start_epoch > 0, f'{weights} training to {epochs} epochs is finished, nothing to resume.'if epochs < start_epoch:LOGGER.info(f"{weights} has been trained for {ckpt['epoch']} epochs. Fine-tuning for {epochs} more epochs.")epochs += ckpt['epoch']  # finetune additional epochsdel ckpt, csd# DP mode# DP: 单机多卡模式if cuda and RANK == -1 and torch.cuda.device_count() > 1:LOGGER.warning('WARNING: DP not recommended, use torch.distributed.run for best DDP Multi-GPU results.\n''See Multi-GPU Tutorial at https://github.com/ultralytics/yolov5/issues/475 to get started.')model = torch.nn.DataParallel(model)# SyncBatchNorm 多卡归一化if opt.sync_bn and cuda and RANK != -1:model = torch.nn.SyncBatchNorm.convert_sync_batchnorm(model).to(device)# 打印信息LOGGER.info('Using SyncBatchNorm()')

3.7 train函数——数据加载 / anchor调整

# ############################################## 6. Trainloader / 数据加载 ####################################### 训练集数据加载train_loader, dataset = create_dataloader(train_path, imgsz, batch_size // WORLD_SIZE, gs, single_cls,hyp=hyp, augment=True, cache=None if opt.cache == 'val' else opt.cache,rect=opt.rect, rank=LOCAL_RANK, workers=workers,image_weights=opt.image_weights, quad=opt.quad,prefix=colorstr('train: '), shuffle=True)# 标签编号最大值mlc = int(np.concatenate(dataset.labels, 0)[:, 0].max())  # max label class# 类别总数nb = len(train_loader)  # number of batches# 判断编号是否正确assert mlc < nc, f'Label class {mlc} exceeds nc={nc} in {data}. Possible class labels are 0-{nc - 1}'# Process 0# 验证集数据集加载if RANK in [-1, 0]:val_loader = create_dataloader(val_path, imgsz, batch_size // WORLD_SIZE * 2, gs, single_cls,hyp=hyp, cache=None if noval else opt.cache,rect=True, rank=-1, workers=workers * 2, pad=0.5,prefix=colorstr('val: '))[0]# 没有使用断点训练if not resume:labels = np.concatenate(dataset.labels, 0)# c = torch.tensor(labels[:, 0])  # classes# cf = torch.bincount(c.long(), minlength=nc) + 1.  # frequency# model._initialize_biases(cf.to(device))if plots:# 画出标签信息plot_labels(labels, names, save_dir)# Anchors# 自适应anchor / anchor可以理解为程序预测的box# 根据k-mean算法聚类生成新的锚框if not opt.noautoanchor:# 参数dataset代表的是训练集，hyp['anchor_t']是从配置文件hpy.scratch.yaml读取的超参数 anchor_t:4.0# 当配置文件中的anchor计算bpr（best possible recall）小于0.98时才会重新计算anchor。# best possible recall最大值1，如果bpr小于0.98，程序会根据数据集的label自动学习anchor的尺寸check_anchors(dataset, model=model, thr=hyp['anchor_t'], imgsz=imgsz)# 半进度model.half().float()  # pre-reduce anchor precisioncallbacks.run('on_pretrain_routine_end')

3.8 train函数——训练配置/多尺度训练/热身训练

# #################################################### 7. 训练 ################################################ DDP mode# DDP：多机多卡if cuda and RANK != -1:model = DDP(model, device_ids=[LOCAL_RANK], output_device=LOCAL_RANK)# Model attributesnl = de_parallel(model).model[-1].nl  # number of detection layers (to scale hyps)hyp['box'] *= 3 / nl  # scale to layershyp['cls'] *= nc / 80 * 3 / nl  # scale to classes and layershyp['obj'] *= (imgsz / 640) ** 2 * 3 / nl  # scale to image size and layers# 标签平滑hyp['label_smoothing'] = opt.label_smoothingmodel.nc = nc  # attach number of classes to modelmodel.hyp = hyp  # attach hyperparameters to model# 从训练样本标签得到类别权重（和类别中的目标数即类别频率成反比）model.class_weights = labels_to_class_weights(dataset.labels, nc).to(device) * nc  # attach class weightsmodel.names = names# Start trainingt0 = time.time()# # 获取热身迭代的次数iterations： 3nw = max(round(hyp['warmup_epochs'] * nb), 100)  # number of warmup iterations, max(3 epochs, 100 iterations)# nw = min(nw, (epochs - start_epoch) / 2 * nb)  # limit warmup to < 1/2 of traininglast_opt_step = -1# # 初始化maps(每个类别的map)和resultsmaps = np.zeros(nc)  # mAP per classresults = (0, 0, 0, 0, 0, 0, 0)  # P, R, mAP@.5, mAP@.5-.95, val_loss(box, obj, cls)# 设置学习率衰减所进行到的轮次，即使打断训练，使用resume接着训练也能正常衔接之前的训练进行学习率衰减scheduler.last_epoch = start_epoch - 1  # do not move# 设置amp混合精度训练scaler = amp.GradScaler(enabled=cuda)# 早停止，不更新结束训练stopper = EarlyStopping(patience=opt.patience)# 初始化损失函数compute_loss = ComputeLoss(model)  # init loss class# 打印信息LOGGER.info(f'Image sizes {imgsz} train, {imgsz} val\n'f'Using {train_loader.num_workers * WORLD_SIZE} dataloader workers\n'f"Logging results to {colorstr('bold', save_dir)}\n"f'Starting training for {epochs} epochs...')# 开始走起训练for epoch in range(start_epoch, epochs):  # epoch ------------------------------------------------------------------model.train()# Update image weights (optional, single-GPU only)# opt.image_weightsif opt.image_weights:"""如果设置进行图片采样策略，则根据前面初始化的图片采样权重model.class_weights以及maps配合每张图片包含的类别数通过random.choices生成图片索引indices从而进行采样"""cw = model.class_weights.cpu().numpy() * (1 - maps) ** 2 / nc  # class weightsiw = labels_to_image_weights(dataset.labels, nc=nc, class_weights=cw)  # image weightsdataset.indices = random.choices(range(dataset.n), weights=iw, k=dataset.n)  # rand weighted idx# Update mosaic border (optional)# b = int(random.uniform(0.25 * imgsz, 0.75 * imgsz + gs) // gs * gs)# dataset.mosaic_border = [b - imgsz, -b]  # height, width bordersmloss = torch.zeros(3, device=device)  # mean lossesif RANK != -1:train_loader.sampler.set_epoch(epoch)pbar = enumerate(train_loader)LOGGER.info(('\n' + '%10s' * 7) % ('Epoch', 'gpu_mem', 'box', 'obj', 'cls', 'labels', 'img_size'))if RANK in [-1, 0]:# 进度条显示pbar = tqdm(pbar, total=nb, bar_format='{l_bar}{bar:10}{r_bar}{bar:-10b}')  # progress bar# 梯度清零optimizer.zero_grad()for i, (imgs, targets, paths, _) in pbar:  # batch -------------------------------------------------------------ni = i + nb * epoch  # number integrated batches (since train start)imgs = imgs.to(device, non_blocking=True).float() / 255  # uint8 to float32, 0-255 to 0.0-1.0"""热身训练(前nw次迭代)在前nw次迭代中, 根据以下方式选取accumulate和学习率"""# Warmupif ni <= nw:xi = [0, nw]  # x interp# compute_loss.gr = np.interp(ni, xi, [0.0, 1.0])  # iou loss ratio (obj_loss = 1.0 or iou)accumulate = max(1, np.interp(ni, xi, [1, nbs / batch_size]).round())for j, x in enumerate(optimizer.param_groups):"""bias的学习率从0.1下降到基准学习率lr*lf(epoch)，其他的参数学习率从0增加到lr*lf(epoch).lf为上面设置的余弦退火的衰减函数动量momentum也从0.9慢慢变到hyp['momentum'](default=0.937)"""# bias lr falls from 0.1 to lr0, all other lrs rise from 0.0 to lr0x['lr'] = np.interp(ni, xi, [hyp['warmup_bias_lr'] if j == 2 else 0.0, x['initial_lr'] * lf(epoch)])if 'momentum' in x:x['momentum'] = np.interp(ni, xi, [hyp['warmup_momentum'], hyp['momentum']])# Multi-scaleif opt.multi_scale:"""Multi-scale  设置多尺度训练，从imgsz * 0.5, imgsz * 1.5 + gs随机选取尺寸"""sz = random.randrange(imgsz * 0.5, imgsz * 1.5 + gs) // gs * gs  # sizesf = sz / max(imgs.shape[2:])  # scale factorif sf != 1:ns = [math.ceil(x * sf / gs) * gs for x in imgs.shape[2:]]  # new shape (stretched to gs-multiple)imgs = nn.functional.interpolate(imgs, size=ns, mode='bilinear', align_corners=False)# Forward / 前向传播with amp.autocast(enabled=cuda):pred = model(imgs)  # forward# # 计算损失，包括分类损失，objectness损失，框的回归损失# loss为总损失值，loss_items为一个元组，包含分类损失，objectness损失，框的回归损失和总损失loss, loss_items = compute_loss(pred, targets.to(device))  # loss scaled by batch_sizeif RANK != -1:# 平均不同gpu之间的梯度loss *= WORLD_SIZE  # gradient averaged between devices in DDP modeif opt.quad:loss *= 4.# Backwardscaler.scale(loss).backward()# Optimize  # 模型反向传播accumulate次之后再根据累积的梯度更新一次参数if ni - last_opt_step >= accumulate:scaler.step(optimizer)  # optimizer.stepscaler.update()optimizer.zero_grad()if ema:ema.update(model)last_opt_step = ni# Logif RANK in [-1, 0]:mloss = (mloss * i + loss_items) / (i + 1)  # update mean lossesmem = f'{torch.cuda.memory_reserved() / 1E9 if torch.cuda.is_available() else 0:.3g}G'  # (GB)pbar.set_description(('%10s' * 2 + '%10.4g' * 5) % (f'{epoch}/{epochs - 1}', mem, *mloss, targets.shape[0], imgs.shape[-1]))callbacks.run('on_train_batch_end', ni, model, imgs, targets, paths, plots, opt.sync_bn)if callbacks.stop_training:return# end batch ------------------------------------------------------------------------------------------------# Scheduler 进行学习率衰减lr = [x['lr'] for x in optimizer.param_groups]  # for loggersscheduler.step()if RANK in [-1, 0]:# mAPcallbacks.run('on_train_epoch_end', epoch=epoch)# 将model中的属性赋值给emaema.update_attr(model, include=['yaml', 'nc', 'hyp', 'names', 'stride', 'class_weights'])# 判断当前的epoch是否是最后一轮final_epoch = (epoch + 1 == epochs) or stopper.possible_stop# notest: 是否只测试最后一轮  True: 只测试最后一轮   False: 每轮训练完都测试mAPif not noval or final_epoch:  # Calculate mAP"""测试使用的是ema（指数移动平均 对模型的参数做平均）的模型results: [1] Precision 所有类别的平均precision(最大f1时)[1] Recall 所有类别的平均recall[1] map@0.5 所有类别的平均mAP@0.5[1] map@0.5:0.95 所有类别的平均mAP@0.5:0.95[1] box_loss 验证集回归损失, obj_loss 验证集置信度损失, cls_loss 验证集分类损失maps: [80] 所有类别的mAP@0.5:0.95"""results, maps, _ = val.run(data_dict,batch_size=batch_size // WORLD_SIZE * 2,imgsz=imgsz,model=ema.ema,single_cls=single_cls,dataloader=val_loader,save_dir=save_dir,plots=False,callbacks=callbacks,compute_loss=compute_loss)# Update best mAP# Update best mAP 这里的best mAP其实是[P, R, mAP@.5, mAP@.5-.95]的一个加权值# fi: [P, R, mAP@.5, mAP@.5-.95]的一个加权值 = 0.1*mAP@.5 + 0.9*mAP@.5-.95fi = fitness(np.array(results).reshape(1, -1))  # weighted combination of [P, R, mAP@.5, mAP@.5-.95]if fi > best_fitness:best_fitness = filog_vals = list(mloss) + list(results) + lrcallbacks.run('on_fit_epoch_end', log_vals, epoch, best_fitness, fi)# Save model"""保存带checkpoint的模型用于inference或resuming training保存模型, 还保存了epoch, results, optimizer等信息optimizer将不会在最后一轮完成后保存model保存的是EMA的模型"""if (not nosave) or (final_epoch and not evolve):  # if saveckpt = {'epoch': epoch,'best_fitness': best_fitness,'model': deepcopy(de_parallel(model)).half(),'ema': deepcopy(ema.ema).half(),'updates': ema.updates,'optimizer': optimizer.state_dict(),'wandb_id': loggers.wandb.wandb_run.id if loggers.wandb else None,'date': datetime.now().isoformat()}# Save last, best and deletetorch.save(ckpt, last)if best_fitness == fi:torch.save(ckpt, best)if (epoch > 0) and (opt.save_period > 0) and (epoch % opt.save_period == 0):torch.save(ckpt, w / f'epoch{epoch}.pt')del ckptcallbacks.run('on_model_save', last, epoch, final_epoch, best_fitness, fi)# Stop Single-GPUif RANK == -1 and stopper(epoch=epoch, fitness=fi):break# Stop DDP TODO: known issues shttps://github.com/ultralytics/yolov5/pull/4576# stop = stopper(epoch=epoch, fitness=fi)# if RANK == 0:#    dist.broadcast_object_list([stop], 0)  # broadcast 'stop' to all ranks# Stop DPP# with torch_distributed_zero_first(RANK):# if stop:#    break  # must break all DDP ranks

3.9 train函数——训练结束/打印信息/保存结果

############################################### 8. 打印训练信息 ##########################################if RANK in [-1, 0]:LOGGER.info(f'\n{epoch - start_epoch + 1} epochs completed in {(time.time() - t0) / 3600:.3f} hours.')for f in last, best:if f.exists():# 模型训练完后, strip_optimizer函数将optimizer从ckpt中删除# 并对模型进行model.half() 将Float32->Float16 这样可以减少模型大小, 提高inference速度strip_optimizer(f)  # strip optimizersif f is best:LOGGER.info(f'\nValidating {f}...')results, _, _ = val.run(data_dict,batch_size=batch_size // WORLD_SIZE * 2,imgsz=imgsz,model=attempt_load(f, device).half(),iou_thres=0.65 if is_coco else 0.60,  # best pycocotools results at 0.65single_cls=single_cls,dataloader=val_loader,save_dir=save_dir,save_json=is_coco,verbose=True,plots=True,callbacks=callbacks,compute_loss=compute_loss)  # val best model with plotsif is_coco:callbacks.run('on_fit_epoch_end', list(mloss) + list(results) + lr, epoch, best_fitness, fi)# 回调函数callbacks.run('on_train_end', last, best, plots, epoch, results)LOGGER.info(f"Results saved to {colorstr('bold', save_dir)}")# 释放显存torch.cuda.empty_cache()return results

4. run函数

def run(**kwargs):# 执行这个脚本/ 调用train函数 / 开启训练# Usage: import train; train.run(data='coco128.yaml', imgsz=320, weights='yolov5m.pt')opt = parse_opt(True)for k, v in kwargs.items():# setattr() 赋值属性，属性不存在则创建一个赋值setattr(opt, k, v)main(opt)return opt

5.全部代码注释

# YOLOv5 												


											

yolov5——train.py代码【注释、详解、使用教程】相关推荐
	

    
								
  1. Matlab 基本知识（附代码注释详解）
		
    Matlab 基本知识 第1部分:变量定义和基本运算 %% % 建议有C语言或其他编程基础,了解线性代数和矩阵相关知识 % https://ww2.mathworks.cn/help/matlab/  ...
    
		
    2. 
						
  2. 从入门到入土：Python爬虫学习|实例练手|爬取新浪新闻搜索指定内容|Xpath定位标签爬取|代码注释详解
		
    此博客仅用于记录个人学习进度,学识浅薄,若有错误观点欢迎评论区指出.欢迎各位前来交流.(部分材料来源网络,若有侵权,立即删除) 本人博客所有文章纯属学习之用,不涉及商业利益.不合适引用,自当删除! 若 ...
    
		
    3. 
						
  3. 从入门到入土：Python爬虫学习|实例练手|爬取百度产品列表|Xpath定位标签爬取|代码注释详解
		
    此博客仅用于记录个人学习进度,学识浅薄,若有错误观点欢迎评论区指出.欢迎各位前来交流.(部分材料来源网络,若有侵权,立即删除) 本人博客所有文章纯属学习之用,不涉及商业利益.不合适引用,自当删除! 若 ...
    
		
    4. 
						
  4. 排序：Java实现冒泡排序原理及代码注释详解
		
    冒泡排序 1.简介: 冒泡排序是一种简单的排序算法.它重复地走访过要排序的数列,一次比较两个元素,如果它们的顺序错误就把它们交换过来.走访数列的工作是重复地进行直到没有再需要交换,也就是说该数列已经排 ...
    
		
    5. 
						
  5. Netty-案例 WebSocket与netty实现长连接案例（代码注释详解）
		
    Netty 记录学习,开心学习,来源尚硅谷韩顺平netty视频 1 NettyServer package com.fs.netty.simple;import io.netty.bootstrap. ...
    
		
    6. 
						
  6. yolov5——detect.py代码【注释、详解、使用教程】
		
    yolov5--detect.py代码[注释.详解.使用教程] yolov5--detect.py代码[注释.详解.使用教程] 1. 函数parse_opt() 2. 函数main() 3. 函数ru ...
    
		
    7. 
						
  7. 【Image captioning】Show, Attend, and Tell 从零到掌握之三--train.py代码详解
		
    [Image captioning]Show, Attend, and Tell 从零到掌握之三–train.py代码详解 作者:安静到无声 个人主页 作者简介:人工智能和硬件设计博士生.CSDN与阿 ...
    
		
    8. 
						
  8. 基于YOLOv5的目标检测系统详解（附MATLAB GUI版代码）
		
    摘要:本文重点介绍了基于YOLOv5目标检测系统的MATLAB实现,用于智能检测物体种类并记录和保存结果,对各种物体检测结果可视化,提高目标识别的便捷性和准确性.本文详细阐述了目标检测系统的原理,并给 ...
    
		
    9. 
						
  9. 史上最详细的Pytorch版yolov3代码中文注释详解（四）
		
    史上最详细的Pytorch版yolov3代码中文注释详解(一):https://blog.csdn.net/qq_34199326/article/details/84072505 史上最详细的Pyt ...
    
		
    10. 
		


					

最新文章
	

    
						
  1. bzoj 3875: [Ahoi2014Jsoi2014]骑士游戏【dp+spfa】
		
    2. 
						
  2. 这个学期的总结，下个学期比较坑的事情和要注意的点
		
    3. 
						
  3. POJ   1088
		
    4. 
						
  4. Kafka精华问答 | Kafka有哪些使用场景？
		
    5. 
						
  5. linux内核那些事之mmap
		
    6. 
						
  6. 易语言mysql表新增防止重复_sqlite数据库 大量插入数据时如何避免重复插入（易语言，做好用sql语句写下）...
		
    7. 
						
  7. 如何才能通过设置将excel单元格内的14位数字转换为日期格式
		
    8. 
						
  8. 我摸鱼写的Java片段意外称霸Stack Overflow十年、征服6000多GitHub开源项目: 有bug！...
		
    9. 
						
  9. JParticles 2.0 发布，打造炫酷的粒子特效
		
    10. 
						
  10. 计算机重新启动后打印机脱机,重启电脑后打印机脱机怎么办
		
    11. 
						
  11. python的f是什么意思_Python 字符串前面加u,r,b,f的含义
		
    12. 
						
  12. 怎样启动模拟器模拟鸿蒙系统,鸿蒙OS 模拟器运行
		
    13. 
						
  13. Attention机制原理
		
    14. 
						
  14. Altium Designer 10 下载和安装破解教程
		
    15. 
						
  15. Photoshop png图片改变 透明背景之外的图片颜色
		
    16. 
						
  16. Hadoop安装准备
		
    17. 
						
  17. 数据分析 之 渠道质量分析
		
    18. 
						
  18. Android应用程序icon规范
		
    19. 
						
  19. 十六进制颜色值域RGB格式颜色值之间的相互转换
		
    20. 
						
  20. Chainge橙子钱包|去中心化期权DEX正式发布
		
    21. 
		

	


热门文章
	

    
									
  1. SQLsever查询结果，数据后面总是有很多空格
			
    2. 
						
  2. ENJ2005-B半导体分立器件测试系统在中电某研究所正式上线运行
			
    3. 
						
  3. CSS中 设置( 单行、多行 )超出显示省略号
			
    4. 
						
  4. linux的dbg怎样查看core,如意坊国际手机版 -官网
			
    5. 
						
  5. ftp ls/dir命令无法使用解决办法（ftp使用教程）
			
    6. 
						
  6. dos dir命令简介
			
    7. 
						
  7. 暴力摩托（NDK1045）
			
    8. 
						
  8. day - 10 总结
			
    9. 
						
  9. com.netflix.hystrix.exception.HystrixRuntimeException
			
    10. 
						
  10. 四个常用的最短路算法及其细节和应用
			
    11.