参考链接

• 1. YOLOv5训练结果分析：一个毕设笔记，其中对于每次yolov5 训练运行后的结果解释的不错。

本文内容

• 1. yolov5 的数据格式
• 2. 介绍 yolov5 模型中 train,py 的相关参数
• 3. 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。
  
  注：其中的实例即为标记框。

1.2 样例

1.3 数据集的存储格式

1.4 yolov5 创建图片名称列表的程序

# -*- coding:utf-8 -*-
import os

def create_data_list(root_path, is_val='val'):
    txt_path = './yolov5_face_'+str(is_val)+'.txt'
    img_root_path = os.path.join( os.path.join(root_path, 'images', is_val) )
    with open(txt_path, 'w') as f:
        for file_name in os.listdir(img_root_path):
            if file_name.split('.')[-1]!= 'jpg':
                print('文件名称有误 {}'.format(file_name))
            img_path = os.path.join(img_root_path, file_name)
            line = '{}\n'.format(img_path)
            f.writelines(line)

### 图片和标签文件存储的根路径
root_path = ''
create_data_list(root_path, 'train')
create_data_list(root_path, 'val')

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。
  • 1. 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。
  • 2. 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 。
  • 3. 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。
  • 1. 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。
  • 2. 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）
• –noautoanchor：是否采用锚点检查。
  • 在Yolo算法中，针对不同的数据集，都会有初始设定长宽的锚框。
    在网络训练中，网络在初始锚框的基础上输出预测框，进而和真实框groundtruth进行比对，计算两者差距，再反向更新，迭代网络参数。
    因此初始锚框也是比较重要的一部分，比如Yolov5在Coco数据集上初始设定的锚框：

• 但Yolov5中将此功能嵌入到代码中，每次训练时，自适应的计算不同训练集中的最佳锚框值。当然，如果觉得计算的锚框效果不是很好，也可以在代码中将自动计算锚框功能关闭。

• 控制的代码即train.py中上面一行代码，设置成False，每次训练时，不会自动计算。

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。

• –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，mAP@.5, mAP@.5:.95, 验证集val Box, 验证集val obj, 验证集val cls

四、其他较好的图解