【yolov5】数据格式、参数、输出结果 分析
本文内容
-
- yolov5 的数据格式
-
- 介绍 yolov5 模型中 train,py 的相关参数
-
- 介绍输出展示的内容都是什么含义
一、yolov5 的数据格式
1.1 数据格式：label_index，cx， cy，w，h
- label_index :为标签名称在标签数组中的索引，下标从 0 开始。
- cx：标记框中心点的 x 坐标，数值是原始中心点 x 坐标除以 图宽 后的结果。
- cy：标记框中心点的 y 坐标，数值是原始中心点 y 坐标除以 图高 后的结果。
- w：标记框的 宽，数值为 原始标记框的 宽 除以 图宽 后的结果。
- h：标记框的 高，数值为 原始标记框的 高 除以 图高 后的结果。
1.2 样例
1.3 数据集的存储格式
二、 train.py 中相关参数
自己尝试修改过的参数
- –weigths: 指的是训练好的网络模型，用来初始化网络权重。为空时从头开始训练
- –cfg：网络结构配置文件。其中 nc 表示标签数据中有多少类别。
- –data：数据路径。数据集存储路径结构参考 1.3 部分。
-
- 指向数据存储的根路径，例如训练集：root_path / images / train / ，此路径下存储所有训练数据的图片。
-
- 指向存储图片路径的 txt 文件，txt 文件每一行内容为一张图片的绝对路径。例如：…/ coco / train2017.txt 。
-
- 无论采用两种方式中的哪一种，此配置文件中都指定了 【标签数量】、【标签名称】。
-
- –epochs：训练迭代次数
- –batch-size：每次喂给神经网络的图片数量，一般设置为 2 的 n 次幂。
- –imgsz：训练图片尺寸。第一个参数为训练集图片的输入尺寸，第二个参数为测试集图片的输入尺寸，需要设置为 32 的倍数（网络进行过程中会进行 32 倍下采样）。
- –nosave： 只保留最终网络模型。
-
- default = True ，只保留最后一次的训练结果，中间过程的权重文件（.pt）不进行保存。
-
- default = False , 训练过程中产生的权重文件，进行可选择性的保存。
- default = False , 训练过程中产生的权重文件，进行可选择性的保存。
-
- –notest ：是否只在训练完成后，对验证集进行测试。
- default = True ，只在训练完成后，进行一次测试。
- default = False ，每一个 epoch 完成后都对验证集进行测试。
- –device：训练网络的设备cpu还是gpu
- –project：训练结果保存路径。即输出结果 results.txt 、权重文件，存储的根路径。默认名称为 runs。
- –name： 训练结果保存文件名。在project 对应的文件夹中，默认问 exp （看到一篇文章中说，超过10个之后，会循环覆盖）。
-
- –save-period：训练多少次保存一次网络模型。（应该综合 --nosave 同时考虑）
以下参数还未尝试修改。
参考链接：https://blog.csdn.net/weixin_42638415/article/details/120799608
- –hyp: 训练网络的一些超参数设置
- –rect： 是否采用矩形训练
- –resume： 指定你之前训练的网络模型，是否从最近的上一个模型开始训练。
- –noautoanchor：是否采用锚点检查
- –evolve：是否寻找最优参数
- –bucket：gsutil bucket
- –cache：是否对图片进行缓存，加快训练
- –image-weights：测试过程中，图像的那些测试地方不太好，对这些不太好的地方加权重
- –multi-scale：图片尺度变换
- –single-cls：训练数据集是单类别还是多类别
- –adam：是否采用adam
- –sync-bn：分布式训练
- –local_rank：DDP参数，请勿修改。
- –workers: 多线程训练，设置最多多少个线程同时进行分布式的训练。个人理解，线程之间的交互也会耗时。
- –entity ：W&B entity
- –exist-ok： 覆盖掉上一次的结果，不新建训练结果文件
- –quad：在dataloader时采用什么样的方式读取我们的数据
- –linear-lr：按照线性的方式去调整学习率
- –label-smoothing： 对标签平滑，防止过拟合
- –upload_dataset：Upload dataset as W&B artifact table
- –bbox_interval：Set bounding-box image logging interval for W&B
三、输出结果分析
3.1 训练时，屏幕中的输出结果
3.2 log文件，results.txt 文件中的内容分析
参考链接：https://blog.csdn.net/thy0000/article/details/125281995
- results.txt中最后三列是验证集结果，前面的是训练集结果。
- 训练次数，GPU消耗，边界框损失，目标检测损失，分类损失，total，targets，图片大小，P，R，[email protected], [email protected]:.95, 验证集val Box, 验证集val obj, 验证集val cls