往期文章
从零开始完成YOLOv5目标识别（五）一种扩充数据集的方式从零开始完成Yolov5目标识别（四）封装一个跨设备的YOLOv5检测软件
从零开始完成YOLOv5目标识别（三）用PyQt5展示YOLOv5的识别结果
从零开始完成Yolov5目标识别（二）制作并训练自己的训练集
从零开始完成Yolov5目标识别（一）准备工作
目录
1. 接续训练
在应付FLIR这种较大规模数据集的时候，把3080显卡内存拉到百分之八十模型的训练速度依然很慢（两分钟左右一轮），这意味着往往会出现第一天任务无法完成需要关闭电脑的情况。在第二天重新开始工作时就需要用到接续训练。
1.1 一种简单的接续训练方法
直接将上一次训练的.pt文件（best或者last都可以）移动到train.py文件配置的路径下，保证在./runs/train中上一次训练的expn的n为最大值，修改train.py中配置的权重文件名称，开始训练，训练的结果保存在新的exp中，且权重只有last.pt（这里原因未知）。
使用这种方法进行接续训练后的可视化曲线如上，可以看到明显的接续断点。
这种方法必须保证提取的best.pt或者last.pt来自最大的exp，否则报错：FileNotFoundError: [Errno 2] No such file or directory: 'opt.yaml'
1.2 在原有exp中进行接续训练
在训练结果expn中保存的opt.yaml记录了训练的原始信息：
其中记录了pt文件的原始配置信息，在进行接续训练时使用的是opt.yaml中的配置信息，而不是在train.py中修改的配置（这也是为什么训练的轮次能够接续且总轮次不变的原因）
将opt.yaml和要训练的pt移动到根目录下，重新配置train.py后开始训练，结果会保存在原有的exp中（包括last.pt和best.pt）
2. 训练FLIR数据集
原本的打算是将FLIR红外数据集的训练结果做迁移训练用以补充自己标定体量较小的VOC数据集，但FLIR数据集本身的训练结果并不特别好（过拟合情况下mAP_0.5:0.95只有0.44左右），同时展现出的图像红外特征与无人机的拍摄结果并不完全符合，故仅仅记录一下FLIR数据集的训练过程：
2.1 查看.pt文件内容
查看已经训练好的模型参数：
import torch
print(torch.load('./best.pt'))
input()epoch：记录了当前训练轮次
best_fitness：最佳结果
主要的不同在卷积层中的参数
Conv2d（输入通道数目，输出通道数目，卷积核大小，卷积每次滑动步长，增加的边距大小，是否将一个 学习到的 bias 增加输出中）
BatchNorm2d（输入BN层的通道数目，防止分母为零，预估方差的系数，是否给定可以学习的系数矩阵，是否跟踪当前batch的统计特性）
SiLU（激活函数）
2.2 FLIR数据集的处理
数据集文件夹目录可以参考第三篇文章：从零开始完成YOLOv5目标识别（三）用PyQt5展示YOLOv5的识别结果_WZT725的博客-CSDN博客用pyqt5实现yolov5图像、视频和摄像头的实时监测https://blog.csdn.net/WZT725/article/details/123573512?spm=1001.2014.3001.5502
不同的是要将jason文件转成txt，这里直接挂上txt格式的标签：
链接：https://pan.baidu.com/s/1182I03dteomqjOlstSA-hA
提取码：1lg8
要注意的还有虽然FLIR数据集提供了80个标签，但实际上只有三个标签：person，car，bicycle，在修改yaml时应当注意。
这是我第一次训练已经标定好的基础数据集。8000个样本训练速度远低于我自己标定的2000张VOC数据集，在150轮左右也会发生过拟合，结果并不如人意，在此基础上进行迁移训练也没有多大意义，所以只做了简单记录。