[Yolov5]Train参数

1.1.1 weights

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

1. 权重的路径地址。
2. 注意：weights 和 cfg 两者必须要有一个，否则代码会找不到网络的模型结构，即会报错！！！

1.1.2 cfg

parser.add_argument('--cfg', type=str, default=ROOT / 'models/yolov5s.yaml', help='model.yaml path')

1. 网络模型的结构文件
2. 内容是简易的网络结构与其中模块的具体参数，例如输入通道数，输出通道数，卷积核大小数量，步长以及concat的维度等等
3. 注意：

• 如果使用了 weights 预训练权重，这个参数可以使用，代码会自动载入 weights 得到网络模型

• 不使用weights的话，则必须指定该参数

  1.1.3 data

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

1. 数据集的配置文件
2. 可以使用coco格式，voc格式的数据集，但最终会转化成yolov5可以读的txt格式

1.1.4 hyp

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

1. 超参数配置文件
2. 里面设定训练需要的超参数，例如学习率啊、动量啊、权重衰减等参数设定
3. 注意：

• 其中hyp.VOC是对VOC数据集进行训练的文件，其中hyp.scratch中的三个yaml，分别是low，med，high是对coco数据集进行训练的超参数字典，其中scratch表示从头开始训练。
• 一些说法是当模型是n与s的时候使用low的超参数，其他时候使用high，但可能要考虑到数据集，自己尝试使用哪种会更好

1.1.5 epochs

parser.add_argument('--epochs', type=int, default=100, help='total training epochs')

1. 训练周期

1.1.6 batch-size

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

1. 多少个数据算作一个batch
2. 一次送进去网络多少数据（图像），一般是2的次幂，根据自己显卡的情况来判断，如果自己判断不了，这里可以改成‘-1’，网络可以自动计算适应训练需求。

1.1.7 imgsz

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

1. 网络训练和验证的时候，输入图片的尺寸
2. 两个数字前者为训练集大小，后者为评估集大小

1.1.8 rect

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

1. 矩形训练方式
2. 开启后会对输入的矩形图片进行预处理，通过保持原图高宽比进行resize后，对resize后的图片进行填充，填充到32的最小整数倍，然后进行矩形训练，减少训练时间。
3. 只要加上’–rect’程序就会将rect设为true； 所谓矩阵推理就是不再要求你训练的图片是正方形了；矩阵推理会加速模型的推理过程，减少一些冗余信息。下图分别是矩阵推理方式和方形推理方式

1.1.9 resume

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

1. resume代表着断点续训：即是否在之前训练的一个模型基础上继续训练，default 值默认是 false。
2. 不需要断点续训的情况是default是false，如果遇到意外情况，电脑断电等情况，可以考虑使用断点续训的方式，此时要给default具体的没训练完的权重位置。

parser.add_argument('--resume', nargs='?', const=True, default='runs/train/exp3/weights/best.pt', help='resume most recent training')

3. 注：

   • 不仅会读取文件，也会读取文件的配置信息
   • 此时将会从上次意外断开的地方继续进行训练。
   • 除非意外情况，一般不建议断点续训，我们一致认为断点续训的效果不如一直训练的情况要好。

1.1.10 nosave

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

1. 只保留最后一次权重
2. 默认关闭，开启后只会保留最后的一次权重

1.1.11 noval

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

1. 开启后，网络只会对最后一个epoch进行验证

1.1.12 noautoanchor

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

1. 关闭自动计算锚框功能，默认关闭
2. 注：yolov5采用的是kmeans聚类算法来计算anchor box的大小和比例，最终自动计算出一组最合适训练的锚框。

1.1.13 noplots

parser.add_argument("--noplots", action="store_true", help="save no plot files")

1. 不保存训练过程的可视化文件，默认关闭

1.1.14 evolve

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

1. 超参数优化，使用超参数优化算法进行自动调参，默认关闭
2. 注：yolov5采用遗传算法对超参数进行优化，寻找一组最优的训练超参数。开启后传入参数n，训练每迭代n次进行一次超参数进化；开启后不传入参数，则默认为const=300。

1.1.15 evolve_population

    parser.add_argument("--evolve_population", type=str, default=ROOT / "data/hyps", help="location for loading population")

1. 超参数优化的文件
2. 配合evolve自动使用，超参数优化的保存位置

1.1.16 resume_evolve

parser.add_argument("--resume_evolve", type=str, default=None, help="resume evolve from last generation")

1. 断点训练+超参数优化
2. 超参数优化会导致参数改变，如果采用断点训练的话，则需要指定参数的路径

1.1.17 bucket

parser.add_argument("--bucket", type=str, default="", help="gsutil bucket")

1. 云盘

1.1.18 cache

parser.add_argument("--cache", type=str, nargs="?", const="ram", help="image --cache ram/disk")

1. 缓存数据集到内存，这样可以加快训练的速度

• cache，可以指定的值：ram/disk；
• cache，参数不指定值，则默认为const=‘ram’。

1.1.19 image-weights

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

1. 对数据加权训练
2. 搭配 rect 参数使用，对数据集的图片进行加权训练

1.1.20 device

parser.add_argument("--device", default="", help="cuda device, i.e. 0 or 0,1,2,3 or cpu")

1. 训练时使用的设备
2. 如果忽略的话，代码会根本环境自动选择，如果有GPU会优先使用

• 设备没有GPU，使用CPU训练------python train.py --device cpu
• 设备有单个GPU，使用单个GPU训练------python train.py --device 0
• 设备有多个GPU，使用多个GPU训练------python train.py --device 0,1,2（使用第1,2,3张GPU训练训练）

1.1.21 multi-scale

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

1. 多尺度训练，默认关闭

多尺度训练是指设置几种不同的图片输入尺度，训练时每隔一定iterations随机选取一种尺度训练，这样训练出来的模型鲁棒性更强。多尺度训练在比赛中经常可以看到他身影，是被证明了有效提高性能的方式。输入图片的尺寸对检测模型的性能影响很大，在基础网络部分常常会生成比原图小数十倍的特征图，导致小物体的特征描述不容易被检测网络捕捉。通过输入更大、更多尺寸的图片进行训练，能够在一定程度上提高检测模型对物体大小的鲁棒性。

1.1.22 single-cls

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

1. 单类别训练，默认false
2. 有多个检测类别时候，只训练指定的目标

1.1.23 optimizer

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

1. 优化器，默认使用SGD优化器

这里可选择的只有三个‘SGD’, ‘Adam’, ‘AdamW’

1.1.24 sync-bn

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

1. 同步批量归一化

只有在分布式训练（DDP）时才有效。

在传统的批归一化（Batch Normalization，简称 BN）中，每个 GPU 会对数据的均值和方差进行单独计算

在多 GPU 训练时，每个 GPU 计算的均值和方差可能会不同，导致模型训练不稳定

为了解决这个问题，SyncBN 技术将 BN 的计算放在了整个分布式训练过程中进行，确保所有 GPU 上计算的均值和方差是一致的，从而提高模型训练的稳定性和效果，但同时也会增加训练时间和硬件要求，因此需要根据具体的训练数据和硬件资源来决定是否使用 SyncBN。

1.1.25 workers

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

1. 线程数

Dataloader中workers表示加载处理数据使用的线程数，使用多线程加载数据时，每个线程会负责加载和处理一批数据，数据加载处理完成后，会送入相应的队列中，最后主线程会从队列中读取数据，并送入GPU中进行模型计算

workers为0表示不使用多线程，仅使用主线程进行数据加载和处理。

1.1.26 project

parser.add_argument("--project", default=ROOT / "runs/train", help="save to project/name")

1. 训练结果保存的主路径

1.1.27 name

parser.add_argument("--name", default="exp", help="save to project/name")

1. 训练结果保存的子路径
2. 参考 1.1.26 project 参数介绍，里面的子文件夹

1.1.28 exist-ok

parser.add_argument("--exist-ok", action="store_true", help="existing project/name ok, do not increment")

1. 是否覆盖保存位置，默认关闭
2. 每次训练都会生成一个子文件夹，例如exp1，exp2，以此类推。开启的话，新生成的就会直接覆盖之前的训练结果

1.1.29 quad

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

quad dataloader 是一种数据加载器，它可以并行地从磁盘读取和处理多个图像，并将它们打包成四张图像，从而减少了数据读取和预处理的时间，并提高了数据加载的效率。

官方给出的开启这个功能后的实际效果：

• 好处是在比默认 640 大的数据集上训练效果更好
• 副作用是在 640 大小的数据集上训练效果可能会差一些

1.1.30 cos-lr

parser.add_argument("--cos-lr", action="store_true", help="cosine LR scheduler")

1. 余弦退火学习率衰减策略，使用cos衰减的学习率

1.1.31 label-smoothing

parser.add_argument("--label-smoothing", type=float, default=0.0, help="Label smoothing epsilon")

1. 标签平滑策略，可以防止过拟合
2. 例：python train.py --label-smoothing 0.1
   表示在每个标签的真实概率上添加一个 epsilon=0.1的噪声，从而使模型对标签的波动更加鲁棒；

具体的值要根据实际网络调整

1.1.32 patience

parser.add_argument("--patience", type=int, default=100, help="EarlyStopping patience (epochs without improvement)")

1. 提前停止训练
2. patience 参数指定为整数n时，表示模型在训练时，若连续n个epoch验证精度都没有提升，则认为训练已经过拟合，停止训练

1.1.33 freeze

parser.add_argument("--freeze", nargs="+", type=int, default=[0], help="Freeze layers: backbone=10, first3=0 1 2")

1. 冻结网络
2. 网络共有10层，迁移学习时，可以冻结一部分参数，只训练后面的层达到加快训练的目的。指定n，冻结前n(0<n<=10)层参数。

冻结模型前n层的训练权重，比如可以冻结网络的主干权重，backbone是提取特征的，对于各大公司来说已经提取的很好了，我们需要做的是在提取出的特征上做好特征融合和提取，所以可以考虑冻结别人已经训练好的主干权重，fine-tune后面层就可以了，不需要从头开始训练，大大减少了实践而且还提高了性能。

例如命令 python train.py --freeze 9就可以表示冻结前9层的主干特征提取。yolov5中主干一共就前10层（0-9层）

1.1.34 save-period

parser.add_argument("--save-period", type=int, default=-1, help="Save checkpoint every x epochs (disabled if < 1)")

1. 固定周期保留权重。默认关闭，只保留最好和最后的网络权重
2. 开启后，会根据设定的数值，每隔这个数值的epochs就会保留一次网络权重

1.1.35 seed

parser.add_argument("--seed", type=int, default=0, help="Global training seed")

1. 随机种子
2. 保证网络结果的复现，一般用于复现别人的成果。

1.1.36 local_rank

parser.add_argument("--local_rank", type=int, default=-1, help="Automatic DDP Multi-GPU argument, do not modify")

1. 分布式训练

2. python train.py --local_rank 1,2
   这样，第一个进程将使用第 2 号 GPU，第二个进程将使用第 3 号 GPU

   注意，如果使用了 --local_rank 参数，那么在启动训练脚本时需要使用 PyTorch 的分布式训练工具，例如 torch.distributed.launch。

1.1.37 entiy

1. 模型实体
2. 模型实体可以是一个实体名称或实体 ID，通常用于在实体存储库中管理模型的版本控制和记录。
   在使用实体存储库时，需要创建一个实体来存储模型，并在训练时指定该实体，这样训练结果就可以与该实体相关联并保存到实体存储库中。
   该参数默认值为 None，如果未指定实体，则训练结果将不会与任何实体相关联。

1.1.38 upload_dataset

1. 上传数据集。默认关闭，不上传数据集

• 如果命令行使用’–upload_dataset’参数，但没有传递参数，则默认值为const=True，表示上传数据集。
• 如果命令行使用’–upload_dataset’参数，并且传递了参数’val’，则默认为True，表示要上传val数据集。

1.1.39 bbox_interval

parser.add_argument("--bbox_interval", type=int, default=-1, help="Set bounding-box image logging interval")

1. 记录边框图片
2. 训练过程中，每隔多少个epoch记录一次带有边界框的图片，类似于训练过程数据的可视化

1.1.40 artifact_alias

parser.add_argument("--artifact_alias", type=str, default="latest", help="Version of dataset artifact to use")

1. 数据集工件版本别名
2. 用于指定要使用的数据集工件的版本别名。
   命令行使用方法：python train.py --artifact_alias latest
3. 在使用MLFlow等工具跟踪模型训练和数据集版本时，会给每个版本分配唯一的别名。通过指定此参数，可以使用特定版本的数据集工件。默认情况下，使用最新版本的数据集工件。

1.1.41 ndjson-console

parser.add_argument("--ndjson-console", action="store_true", help="Log ndjson to console")

1. 将ndjson输出在控制台

3.42 ndjson-file

parser.add_argument("--ndjson-file", action="store_true", help="Log ndjson to file")

1. 将ndjson 记录在文件中