本篇博客主要是對于train文件以及yolov5s.yaml文件進行講解，yolov5代碼雖然一直有在更新但整體的框架基本相似。

1.Usage

該部分是作者的一個說明。
第一行表示我們傳入的data數據集是coco128數據集，權重模型是yolov5s模型，–img表示圖片大小640，第二行與第一行的主要區別在于，第一行是在加載yolov5s的權重基礎上進行訓練，而第二行是在配置yolov5s網絡結構后，從零開始搭建一個模型，然后從頭開始訓練。

2.導包、導庫操作

前面都是一些導包導庫操作，train文件在如下圖部分出現三個參數，這三個參數主要用于分布式訓練，對于我們初學者而言，一般都是默認參數。

3.解析參數

將參數進行傳遞然后解析。主要包含四大部分。

3.1首先是校驗函數

3.2main函數

首先是代碼的校驗工作，緊接著會根據是否在命令行傳入Resume來判斷執行不同的操作，第三部分會判斷你是否采用DDP這種訓練方法，第四部分開始正式進行訓練。

首先它會根據rank變量來判斷是否執行下面的三行代碼，這塊rank的這個值在開頭也已經說過，如果不進行分布式訓練的話，默認是-1，因此它會去執行下面的三行代碼，第一行是負責打印文件所用到的參數信息，這個參數包括命令行傳入進去的參數以及默認參數，第二行是檢查yolov5的github倉庫是否更新，如果更新的話，會有一個提示。第三行用來檢查requirements中要求的安裝包有沒有正確安裝成功，沒有成功的話會給予一定的提示。

首先它會判斷你有沒有在命令行中傳入resume這個參數，resume參數表示在中斷中恢復，例如我們因電腦斷電等情況下，導致訓練尚未完成而停止，那我們就可以利用這個參數將我們之前的訓練給恢復過來。因為我們使用的是yolov5s.pt這個訓練模型，因此并沒有必要傳入這個參數，所以它會執行else中的代碼內容。
在else代碼中首先它會去檢查這幾個文件的路徑，包括數據集data，cfg以及權重、project等，這里我們沒有用到cfg，因此它傳入為空，緊接著判斷cfg與weights是否都為空，如果為空的話，會進行報錯。
接下來會進行是否輸入evolve判斷，決定保存在那個文件夾下面，那這里我們沒有輸入evolve。接著是保存文件的名稱。

這部分它會選擇你是使用cpu還是gpu，假如你采用的是分布式訓練的話，它就會額外執行下面的一些操作，我們這里一般不會用到分布式，所以也就沒有執行什么東西。

在模型訓練這部分，如果輸入evolve會執行else下面這些代碼，因為我們沒有輸入evolve并且不是分布式訓練，因此會執行train函數。因此，其實我們只需要關注一下train函數就可以啦。evolve呢是作者給出的一種凈化超參數的方法，一般情況下，我們采用默認的參數配合部分手動調參，就已經足夠優秀啦。

3.3train函數

然后是最關鍵的train函數，首先是一些參數的傳入，然后定義了訓練權重文件的文件路徑保存，緊接著是一些訓練過程中需要使用的超參數，將一些超參數加載，并打印出來。

隨后進行運行配置過程的保存操作，會保存在你訓練目錄下的hyp.yaml文件中，并且會保存你執行過程中使用的參數在opt.yaml文件中。

在日志文件中，基于wandb與tensorboard這兩個庫來完成訓練過程中的可視化操作。在這個文件中完成對于程序訓練日志的記錄過程。

Config文件中，首先基于plots的true或者false反饋是否將訓練過程及結果給畫出來，緊接著判斷電腦是否支持cuda，第三行是為了保證我們的訓練是否是可復現的，第四行是與分布式訓練相關的，如果不進行分布式訓練則不執行。第五行會進行數據集檢查讀取操作，第六行會取出數據集的訓練路徑以及驗證路徑，第七行取出你的類名，第八行會進行類的種數以及類的名稱是否相同的判斷，不相同會進行報錯處理，最后一行會進行是否是coco數據集進行判斷，如果是的話會進行一些額外的操作，本次不是，回復false。

然后呢是模型加載部分，首先會去檢測傳進來的權重參數后綴名是否以.pt結尾，如果本地沒有就回去會嘗試去yolov5官方倉庫去下載權重文件，加載權重文件，緊接著會根據你的權重文件中會帶著一個yolov5s.yaml文件,代碼根據yolov5s.yaml進行模型的訓練。這塊的主要意思通俗的理解就是我們預訓練模型是yolov5s.pt，我們的新模型是基于我們自己的識別檢測需求在yolov5s的基礎上完成的。

Freeze是一個凍結過程，跟我們的傳遞參數有關，默認不凍結，在opt中我們傳入10即表示我們凍結了backbone部分，也就是說我們訓練過程中只用了head部分。通過Freeze這部分代碼，你可以手動去控制你想凍結哪些層。

這部分代碼主要是用于檢查輸入圖片的尺寸滿不滿足32的倍數，如果不滿足的話它會幫你自動補成32的倍數。

Batchsize部分一般不會去執行，除非我們手動輸入-1，默認是16。


接下來是創建深度學習的優化器，隨機衰減策略以及指數移動平均的方法。

#DP mode會判斷是不是用了多張顯卡，#SyncBatchNorm是跟分布式訓練相關的，然后是加載訓練數據操作，加載驗證集數據操作。


緊接著是開始訓練工作，在這個工程中，“compute_loss=ComputeLoss(model)”定義損失函數，等到訓練結束，這個時候會挑選出 best.weight對驗證集進行驗證測試，并把這個結果給打印出來。

4.YoloV5S.yaml

nc表示yolov5s所能預測出來的種類數，這里是80種。anchors就是提前定義好的一些矩形框，利用這些矩形框完成檢測。三層anchors分別對應不同的特征層級，在每一層anchors上又定義了3個不同的anchors。depth_multiple深度倍數表示的含義體現為backbone中number的參數乘以depth_multiple即為實際參數，width_multiple表示通道參數，args中的特征通道參數乘以width_multiple即為實際參數。實際對比yolov5s、5l、5m、5n、以及5x就可以發現，.yaml文件中只有depth_multiple深度倍數以及width_multiple通道參數是不一樣的。因此，這兩個參數可以通俗的理解為調整網絡規模。

backbone表示yolov5模型結構中的backbone結構，這一行行表示yolov5每一層的結構信息，不同的層結構都定義在common.py文件中，這里的Conv、C3、Concat等，args表示參數，是根據前面module的形式確定相應的參數。

head表示yolov5的head部分，yolov5中沒有neck，相似結構被作者并在head里。
本次就先到這，學習交流，互相進步~

總結

以上是生活随笔為你收集整理的YoLoV5学习（5）-- Train.py 程序文件与yolov5s模型文件讲解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。