（1）训练参数
opt参数解析：
cfg:模型配置文件，网络结构
data:数据集配置文件，数据集路径，类名等
hyp:超参数文件
epochs:训练总轮次
batch-size:批次大小
img-size:输入图片分辨率大小
rect:是否采用矩形训练，默认False
resume:接着打断训练上次的结果接着训练
nosave:不保存模型，默认False
notest:不进行test，默认False
noautoanchor:不自动调整anchor，默认False
evolve:是否进行超参数进化，默认False
bucket:谷歌云盘bucket，一般不会用到
cache-images:是否提前缓存图片到内存，以加快训练速度，默认False
weights:加载的权重文件
name:数据集名字，如果设置：results.txt to results_name.txt，默认无
device:训练的设备，cpu；0(表示一个gpu设备cuda:0)；0,1,2,3(多个gpu设备)
multi-scale:是否进行多尺度训练，默认False
single-cls:数据集是否只有一个类别，默认False
adam:是否使用adam优化器
sync-bn:是否使用跨卡同步BN,在DDP模式使用
local_rank:gpu编号
logdir:存放日志的目录
workers:dataloader的最大worker数量
举例使用方式：
原文链接：https://blog.csdn.net/Q1u1NG/article/details/107463417
2021/4/22更新
训练参数：
- — img: 输入图像的大小，建议使用640，因为对于交通场景，输入图片尺寸过小时，会导致部分对象宽高小于3像素，可能会影响训练精度
- — batch-size: 批次大小，对于2080Ti-11GB 或者P100-16GB，输入img-size 640，batch-size 32为上限
- — epochs: 训练迭代数，作者建议训练300个epochs起
- — data: 创建的 YAML 文件uc_data.yaml
- — cfg: 模型文件Custom_yolov5s.yaml，需要自己至少修改类别数量及类别种类
- — weights: 对于本项目不使用预训练权重，如果需要预训练权重，可以访问此地址
- — cache-images: 将预处理后的训练数据全部存储在RAM中，能够加快训练速度
- — hyp: 这个参数是自定义的hyp.yaml地址，对于小尺寸数据，可以更改hyp中optimizer为Adam，并修改配套参数为作者预设的Adam参数
- — rect：输入这个参数，会关闭Mosaic数据增强
- — resume： 从上次训练的结束last.pt继续训练
- — nosave： 输入这个参数将存储最后的checkpoint，可以加快整体训练速度，但是建议关闭这个参数，这样能保留best.pt
- — notest： 只测试最后一个epoch，能加快整体训练速度
- — noautoanchor： 关闭自适应自适应锚定框，YOLO V5会自动分析当前锚定框的 Best Possible Recall (BPR) ，对于img-size 640，最佳BPR为0.9900，随着img-size降低，BPR也随之变差
- — multi-scale： 输入图像多尺度训练，在训练过程中，输入图像会自动resize至 img-size +/- 50%，能一定程度上防止模型过拟合，但是对于GPU显存要求很高，对于640的img-size至少使用16GB显存，才能保证运行不出错
- — single-cls： 模型的输出为单一类别，比如我只需要识别Trunk
- — device: 选择使用CUDA或者CPU
YOLO V5的作者建议至少训练300个回合，每次训练完成后所有的结果及权重会储存在runs文件夹下。
参考：使用YOLO V5训练自动驾驶目标检测网络 - 知乎
（拓展）
1.超参数进化evolve
今天想试一下，使用的方法是：
--evolve进化过程中有两个重要的参数:
第一个参数为：
parent, 可选值为single或者weighted，这个参数的作用是：决定如何选择上一代。
如果选择single，代表只选择上一代中最好的那个。如果选择weighted，代表选择得分的前10个加权平均的结果作为下一代。
第二个参数为：
method，可选值为1,2,3, 分别代表使用三种模式来进化。
2.对于Adam
YOLO V5的作者建议是，如果需要训练较小的自定义数据集，Adam是更合适的选择，尽管Adam的学习率通常比SGD低。但是如果训练大型数据集，对于YOLOV5来说SGD效果比Adam好。
实际上学术界上对于SGD和Adam哪个更好，一直没有统一的定论，取决于实际项目情况。
优化函数如果训练比较小的自定义的数据集，adam是比较合适的选择，但是如果训练大型的数据集那么使用sgd优化函数的比较多。
刚刚试了下，adam优化和 cache-images确实会好一点，对了我的机子是 i9-10900k、128g、TRX6000,但是不爽的是bitch_size只能调到16.
（2）超参数文件hyp解析
lr0: 0.00447 # 学习率，，可以理解为模型的学习速度lrf: 0.114 # 余弦退火超参数momentum: 0.873 # 学习率动量，梯度下降法中一种常用的加速技术，加快收敛weight_decay: 0.00047 # 权重衰减系数，防止过拟合。在损失函数中，weight decay是放在正则项（regularization）前面的一个系数，正则项一般指示模型的复杂度，所以weight decay的作用是调节模型复杂度对损失函数的影响，若weight decay很大，则复杂的模型损失函数的值也就大。giou: 0.0306 # giou损失的系数cls: 0.211 # 分类损失的系数cls_pw: 0.546 # 分类BCELoss中正样本的权重obj: 0.421 # 有无物体损失的系数obj_pw: 0.972 # 有无物体BCELoss中正样本的权重iou_t: 0.2 # 标签与anchors的iou阈值iou training thresholdanchor_t: 2.26 # 标签的长h宽w/anchor的长h_a宽w_a阈值, 即h/h_a, w/w_a都要在(1/2.26, 2.26)之间anchor-multiple threshold
# anchors: 5.07fl_gamma: 0.0 # 设为0则表示不使用focal loss(efficientDet default is gamma=1.5)
# 下面是一些数据增强的系数, 包括颜色空间和图片空间hsv_h: 0.0154 # 色调
hsv_s: 0.9 # 饱和度
hsv_v: 0.619 # 明度
degrees: 0.404 #旋转角度
translate: 0.206 # 水平和垂直平移
scale: 0.86 # 缩放
shear: 0.795 # 剪切
perspective: 0.0 # 透视变换参数
flipud: 0.00756 # 上下翻转
fliplr: 0.5 # 左右翻转
mixup: 0.153 # mixup系数参考：U版YOLOv5学习笔记之训练参数 | 码农家园
调参经验
-
learning-rate 学习速率：学习速率越小，模型收敛花费的时间就越长，但是可以提高模型精确度。一般初始设置为0.1，然后每次除以0.2或者0.5来改进，得到最终值；
-
batchsize 样本批次容量：影响模型的优化程度和收敛速度，需要参考你的数据集大小来设置，具体问题具体分析
-
weightdecay 权重衰减：用来在反向传播中更新权重和偏置，一般设置为0.005；
-
epoch-number 训练次数：包括所有训练样本的一个正向传递和一个反向传递，训练至模型收敛即可；（注：和迭代周期iteration不一样）
-
经过交叉验证，dropout率等于0.5的时候效果最好，原因是0.5的时候dropout随机生成的网络结构最多。
参考：YOLO经验总结 | spicyCV
2021/4/22更新
（3）test.py
（4）detect.py
检测参数：
- — weights: 训练权重的路径
- — source：推理目标的路径，可以是图片，视频，网络摄像头等
- — source：推理结果的输出路径
- — img-size：推理图片的大小
- — conf-thres： 对象置信阈值，默认0.4
- — iou-thres： NMS的IOU阈值，可以根据实际对象的重叠度调节，默认0.5
- — device: 选择使用CUDA或者CPU
- — view-img： 显示所有推理结果
- — save-txt：将每一帧的推理结果及边界框的位置，存入*.txt文件
- — classes：类别过滤，意思是只推理目标类别
- — agnostic-nms： 使用agnostic-nms NMS
参考：使用YOLO V5训练自动驾驶目标检测网络 - 知乎
（4）可视化
可视化比较简单直接在环境中输入：
pip install wandb
安装完后，直接训练
Weights & Biases
在这个网站上注册一下
训练的时候他会叫你打开这个网站
复制上面的码
然后就可以看到
下面想讲一下这个参数
这个是标签和结果大家都明白
接下来是 precision、recall、mAP_0.5、mAP_0.5:0.95
（5）测试模型调用相机
python detect.py --source 0 --weights last.pt
（6）过拟合问题
关于过拟合问题最好的方式是增加样本量
下面是我自己的看法
个人认为：
1.有可能是模型比较小
举例在yolov5里面，yolov5x是模型最小速度最快，模型的深度为0.33。如果经常过拟合的话可以尝试使用一下大一点的yolov5x的模型。
2.还有可能是我迭代次数太多了数据集比较小直接就学到头了。