如何去训练yolov5 神经网络

本文详细地讲解了如何去训练yolov5 模型的神经网络，首先讲解了如何在本地训练神经网络，接着又讲解了如何利用云端的GPU训练神经网络。

---

文章目录

一、在本地上训练yolov5

1 打开train.py文件

2 参数设置

3  锚点和锚框是什么

二、利用云端GPU 训练yolov5

1 登录google calab 网站

2 上传模型

3 环境配置

4 添加tensorboard插件

5 查看训练数据

6 运行python程序

7 查看训练的模型效果

---

一、在本地上训练yolov5

1 打开train.py文件

可以先点击运行看看

 parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers')

这里在运行前可以修改一个参数，将main函数底下worker参数的default=8改为default=0， 这样可以节省时间，
如果运行电脑没有报错的话，我们可以将这个default值增加。

2 参数设置

 parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')

模型初始化参数，default可以给它一个我们训练好的模型，作为参数初始化，也可以为空，
我们在训练的过程中，一般都是从头开始训练，所以经常设置default = ' ' ，

除此之外，‘ ’经常也会填yolov5s.pt,yolov5m.pt,yolov5l.pt,yolov5x.pt,这些训练好的模型。
我们一般采用程序自己根据权重进行初始化，不采用训练好的模型来进行参数初始化

    parser.add_argument('--cfg', type=str, default='', help='model.yaml path')

采用的模型结构，模型的配置，default=''， ‘ ’里可以把模型的路径放进去，像yolov5s.yaml ， yolov5l.yaml, yolov5m.yaml yolov5x.yaml

    parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')

指定数据训练集，default= 'data/coco128.yaml' ,‘ ’里放的就是数据集的地址

parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')

hyp是超参数的意思，default=ROOT / 'data/hyps/hyp.scratch-low.yaml'，它这里面写入就是一个超参数的地址，
hyp.scratch-low.yaml，它其实就是Hyperparameters for low-augmentation COCO training from scratch，

意思是：它是一个从头开始增强coco 训练的超参数

    parser.add_argument('--epochs', type=int, default=300)

训练多少轮，默认default=300， 会训练300轮

    parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')

数量，将多少数据打包成一个batch，然后送入网络当中进行运算

    parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')

分别设定训练集和测试集图片的一个大小

    parser.add_argument('--rect', action='store_true', help='rectangular training')

矩阵的一个训练方式，我们训练的图片如果不是一个正方形，它训练完成后会是一个正方形，对其他空白的地方进行填充，
rect参数的作用就是将填充的地方减少，比如说一个长方形的图片，处理后是一个正方形，这个正方形中除了图片本身，还自动填充了很多空白部分
使用rect后，我们就会得到一个长方形图片。

parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')

恢复最近的训练，我们如果使用这个参数，需要将 default=False，设置成 default=“上次模型训练的地址”
设置好后，它会接着你上次程序运行的结果接着运行下去。

    parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')

一个模型通常在一个数据上会训练很多次，每次训练的结果都会保存，nosave如果设置为true,那么运行程序，它最后保留最后一个模型训练的一些权重，数据

    parser.add_argument('--noval', action='store_true', help='only validate final epoch')

我们通常会在每轮训练结束都进行测试，如果noval=true,那么它只会在最后一轮训练结束进行测试

 

  parser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')

如果noautoanchor设置为true的话，它就会禁用自动锚点，正常情况我们都是开启的，锚点也很重要，我们会在3中进行简单阐述。

    parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')

对超参数的x代进行进化，说简单点，就是优化超参数，选择最优参数的一种方式。

    parser.add_argument('--cache', type=str, nargs='?', const='ram', help='--cache images in "ram" (default) or "disk"')

在ram或者disk中对图片进行缓存，默认default是在ram中保存

    parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')

对上一轮的训练中，对于哪些图片的训练效果不太好，在下一轮的训练中，对这些图片加一下相关的权重。这个效果并不理想，我们一般不使用。

    parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')

改变图像大小，对图像进行一个变换

    parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')

将多类别数据训练为单类，像类别多的时候，一般都是false

    parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='SGD', help='optimizer')

这是一个优化器选项，我们可以选择指定的优化器，

如果为不设置，则模型就会默认使用SGD（stochastic gradient descent）随机梯度下降模型

   

parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')

如果电脑又多个cpu那就可以使用这，就可与采用ddp的模型进行多步数训练

    parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')

最大数据加载的线程，默认default=8, 我们在训练时一般改为0， 可以按照需要增加

    parser.add_argument('--quad', action='store_true', help='quad dataloader')

数据加载，理解的并不是很好。
 

3  锚点和锚框是什么

这里科普一下什么是锚点，锚框？
先说说什么是锚框，锚框是用于对于目标检测任务中，

对目标检测我们以前是：遍历输入图像上所有可能的像素框，然后选出正确的目标框，

并对位置和大小进行调整就可以完成目标检测任务。这些进行预测的像素框就叫锚框。这些锚框通常都是方形的。

也可以这样理解
锚框，就是目标检测算法中，以锚点为中心，由算法预定义的多个不同长宽比的先验框。
为了增加任务成功的几率，通常会在同一位置设置不同宽高比的锚框（本文的方式在改变宽高比的同时维持面积不变）。

二、利用云端GPU 训练yolov5

1 登录google calab 网站

首先登录google calab 的网站，创建一个项目

2 上传模型

因为google calab这个网站，只能上传一个一个的文件夹，所以我们需要将整个模型进行打包，然后在网站上上传打包好的模型

3 环境配置

上传打包好的模型后，然后输入代码：
解压我们上传的文件夹，并指定保存路径
 ! unzip /content/yolov5-6.1.zip -d /content/yolov5

进入解压后的文件，yolov5-6.1这个目录中
 %cd /content/yolov5/yolov5-6.1

安装程序运行需要的一些package
 !pip install -r requirements.txt
 
自此，环境已经配置好了

4 添加tensorboard插件

在命令行输入：

%load_ext tensorboard

其中，%load_ext 就是安装插件的意思，后面直接加你想安装的插件就行了

5 查看训练数据

打开tensorboard, 来查看我们的训练数据，输入代码：

%tensorboard --logdir=runs/train

要先打开这个，在运行程序

6 运行python程序

在命令行输入：

!python train.py --rect

注：程序运行默认的数据集就是coco128，也就是coco数据集的前128张图片，
如果我们要使用完整的coco数据集进行训练，也是可以的
在命令行输入   !python train.py --rect --data=data/coco.yaml   即可

如果要设置其他参数，方法类似

7 查看训练的模型效果

程序运行完成后，weights底下有两个文件，best.py, last.py， 一个是效果最好的模型，后一个是最后运行的模型

除此之外，我们也可以在别人训练的基础上进行训练