yolov5-5train.py部分参数定义

yolov5-5train.py部分参数定义

参数名           含义                                              例子
hyp               超参文件路径                              data/hyps/hyp.scratch.yaml
device           当前设备                                     0
save_dir         保存位置                                     runs/train
epochs          训练轮次                                     100
batch_size      单次迭代训练图片数                     24

weight           模型训练权重文件路径                  runs\train\exp36
wdir               保存权重文件路径                        runs/train/exp18/weights
last                最后一个模型文件                        runs/train/exp18/weights/last.pt
best               最佳的一个模型文件                     runs/train/exp18/weights/bast.pt
results_file      保存训练过程的txt文件                 runs/train/exp18/results.txt

single_cls        训练集是否只有一个类别               False
evolve            是否进行超参进化                        None
data               数据集配置文件路径                     paper_data/fruit.yaml
cfg                 模型配置文件路径                        models/yolov5s.yaml
resume           是否继续训练                               False
nosave            是否只保存最后一次模型               False
workers           数据加载器的最大数量                  8
noval               是否只测试最后一轮                     False
plots                是否需要画图(115行)                True
ckpt                 模型的层(179行)                       很长,是个字典,看不懂

nc                    数据集类别数 (151行)               10
names             数据集类别(156行)                    ['AlligatorCrack', 'TransverseCrack', 'LongitudinalCrack', 'Sealling', 'SeallingCrack', 'Patch', 'Loose', 'LaneMarking', 'Joint', 'IndicatingArrow']
train_path        数据集里的train文本文件(207行) D:/yolo5-5/yolov5/paper_data/train.txt
var_path           数据集里的test文本文件 (208行) D:/yolo5-5/yolov5/paper_data/test.txt
data_dict          参数字典(146行)                       {'train': 'D:/yolo5-5/yolov5/paper_data/train.txt','val': 'D:/yolo5-5/yolov5/paper_data/test.txt', 'nc': 10, 'names': ['AlligatorCrack', 'TransverseCrack', 'LongitudinalCrack', 'Sealling', 'SeallingCrack', 'Patch', 'Loose', 'LaneMarking', 'Joint', 'IndicatingArrow']}    

freeze               要冻结的参数名称(完整或部分)     []
accumulate       累积损耗优化(23216,感觉挺主要,但不懂是什么
nbs                   模拟的batch_size(23164
hyp['weight_decay']       权重衰减(2350.0005 很重要,但也不懂
lf                        学习率(270)                             很重要
start_epoch         开始训练的轮次序号(3041
gs                       模型最大stride(步长)31432
nl                       检测(detect)层数(319)                    3
imgsz                 训练\测试图片分辨率                      640
 
nw                      热身迭代的次数(412)                              max(round(hyp['warmup_epochs'] * nb), 1000)
maps                  每个类别的mAp(417)
results                P, R, mAP@.5, mAP@.5-.95, val_loss(box, obj, cls)     
scheduler.last_epoch      学习率衰减所进行到的轮次(421)
compute_loss       损失函数





你可能感兴趣的:(YOLOv5,python,深度学习)