本篇博客主要是对于train文件以及yolov5s.yaml文件进行讲解，yolov5代码虽然一直有在更新但整体的框架基本相似。
1.Usage
该部分是作者的一个说明。
第一行表示我们传入的data数据集是coco128数据集，权重模型是yolov5s模型，–img表示图片大小640，第二行与第一行的主要区别在于，第一行是在加载yolov5s的权重基础上进行训练，而第二行是在配置yolov5s网络结构后，从零开始搭建一个模型，然后从头开始训练。
2.导包、导库操作
前面都是一些导包导库操作，train文件在如下图部分出现三个参数，这三个参数主要用于分布式训练，对于我们初学者而言，一般都是默认参数。
3.解析参数
将参数进行传递然后解析。主要包含四大部分。
3.1首先是校验函数
3.2main函数
首先是代码的校验工作，紧接着会根据是否在命令行传入Resume来判断执行不同的操作，第三部分会判断你是否采用DDP这种训练方法，第四部分开始正式进行训练。
首先它会根据rank变量来判断是否执行下面的三行代码，这块rank的这个值在开头也已经说过，如果不进行分布式训练的话，默认是-1，因此它会去执行下面的三行代码，第一行是负责打印文件所用到的参数信息，这个参数包括命令行传入进去的参数以及默认参数，第二行是检查yolov5的github仓库是否更新，如果更新的话，会有一个提示。第三行用来检查requirements中要求的安装包有没有正确安装成功，没有成功的话会给予一定的提示。
首先它会判断你有没有在命令行中传入resume这个参数，resume参数表示在中断中恢复，例如我们因电脑断电等情况下，导致训练尚未完成而停止，那我们就可以利用这个参数将我们之前的训练给恢复过来。因为我们使用的是yolov5s.pt这个训练模型，因此并没有必要传入这个参数，所以它会执行else中的代码内容。
在else代码中首先它会去检查这几个文件的路径，包括数据集data，cfg以及权重、project等，这里我们没有用到cfg，因此它传入为空，紧接着判断cfg与weights是否都为空，如果为空的话，会进行报错。
接下来会进行是否输入evolve判断，决定保存在那个文件夹下面，那这里我们没有输入evolve。接着是保存文件的名称。
这部分它会选择你是使用cpu还是gpu，假如你采用的是分布式训练的话，它就会额外执行下面的一些操作，我们这里一般不会用到分布式，所以也就没有执行什么东西。
在模型训练这部分，如果输入evolve会执行else下面这些代码，因为我们没有输入evolve并且不是分布式训练，因此会执行train函数。因此，其实我们只需要关注一下train函数就可以啦。evolve呢是作者给出的一种净化超参数的方法，一般情况下，我们采用默认的参数配合部分手动调参，就已经足够优秀啦。
3.3train函数
然后是最关键的train函数，首先是一些参数的传入，然后定义了训练权重文件的文件路径保存，紧接着是一些训练过程中需要使用的超参数，将一些超参数加载，并打印出来。
随后进行运行配置过程的保存操作，会保存在你训练目录下的hyp.yaml文件中，并且会保存你执行过程中使用的参数在opt.yaml文件中。
在日志文件中，基于wandb与tensorboard这两个库来完成训练过程中的可视化操作。在这个文件中完成对于程序训练日志的记录过程。
Config文件中，首先基于plots的true或者false反馈是否将训练过程及结果给画出来，紧接着判断电脑是否支持cuda，第三行是为了保证我们的训练是否是可复现的，第四行是与分布式训练相关的，如果不进行分布式训练则不执行。第五行会进行数据集检查读取操作，第六行会取出数据集的训练路径以及验证路径，第七行取出你的类名，第八行会进行类的种数以及类的名称是否相同的判断，不相同会进行报错处理，最后一行会进行是否是coco数据集进行判断，如果是的话会进行一些额外的操作，本次不是，回复false。
然后呢是模型加载部分，首先会去检测传进来的权重参数后缀名是否以.pt结尾，如果本地没有就回去会尝试去yolov5官方仓库去下载权重文件，加载权重文件，紧接着会根据你的权重文件中会带着一个yolov5s.yaml文件,代码根据yolov5s.yaml进行模型的训练。这块的主要意思通俗的理解就是我们预训练模型是yolov5s.pt，我们的新模型是基于我们自己的识别检测需求在yolov5s的基础上完成的。
Freeze是一个冻结过程，跟我们的传递参数有关，默认不冻结，在opt中我们传入10即表示我们冻结了backbone部分，也就是说我们训练过程中只用了head部分。通过Freeze这部分代码，你可以手动去控制你想冻结哪些层。
这部分代码主要是用于检查输入图片的尺寸满不满足32的倍数，如果不满足的话它会帮你自动补成32的倍数。
Batchsize部分一般不会去执行，除非我们手动输入-1，默认是16。
接下来是创建深度学习的优化器，随机衰减策略以及指数移动平均的方法。
#DP mode会判断是不是用了多张显卡，#SyncBatchNorm是跟分布式训练相关的，然后是加载训练数据操作，加载验证集数据操作。
紧接着是开始训练工作，在这个工程中，“compute_loss=ComputeLoss(model)”定义损失函数，等到训练结束，这个时候会挑选出 best.weight对验证集进行验证测试，并把这个结果给打印出来。
4.YoloV5S.yaml
nc表示yolov5s所能预测出来的种类数，这里是80种。anchors就是提前定义好的一些矩形框，利用这些矩形框完成检测。三层anchors分别对应不同的特征层级，在每一层anchors上又定义了3个不同的anchors。depth_multiple深度倍数表示的含义体现为backbone中number的参数乘以depth_multiple即为实际参数，width_multiple表示通道参数，args中的特征通道参数乘以width_multiple即为实际参数。实际对比yolov5s、5l、5m、5n、以及5x就可以发现，.yaml文件中只有depth_multiple深度倍数以及width_multiple通道参数是不一样的。因此，这两个参数可以通俗的理解为调整网络规模。
backbone表示yolov5模型结构中的backbone结构，这一行行表示yolov5每一层的结构信息，不同的层结构都定义在common.py文件中，这里的Conv、C3、Concat等，args表示参数，是根据前面module的形式确定相应的参数。
head表示yolov5的head部分，yolov5中没有neck，相似结构被作者并在head里。
本次就先到这，学习交流，互相进步~