【Yolov5】保姆级别源码讲解之-模型训练部分train.py文件

1.主函数

• opt参数部分和main方法
  
• weights：权重文件路径
  – cfg：存储模型结构的配置文件 制定的网络模型配置文件
• data：存储训练、测试数据的文件
• hyp 定义了网络训练需要的一些参数，比如学习率等配置信息，具体可以查看data/hyps下的hyp.scratch-low.yaml文件
• epochs：指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点。 所有的数据送入网络中， 完成了一次前向计算 + 反向传播的过程
• batch-size：一次看完多少张图片才进行权重更新，梯度下降的mini-batch,显卡不行你就调小点。
• img-size：输入图片宽高,显卡不行你就调小点。
• rect：进行矩形训练
• resume：恢复最近保存的模型开始训练 训练中断可以配置此参数进行链接运算
• nosave：仅保存最终checkpoint
• notest：仅测试最后的epoch
• evolve：进化超参数
• bucket：gsutil bucket
• cache-images：缓存图像以加快训练速度
• name： 重命名results.txt to results_name.txt
• device：cuda device, i.e. 0 or 0,1,2,3 or cpu
• adam：使用adam优化
• multi-scale：多尺度训练，img-size +/- 50%
• single-cls：单类别的训练集
  

2.main函数

• 四个全局变量
• RANk主要是做分布式训练使用的
• WORLD_SIZE获取一个环境变量，如果它不存在，则返回None。可选的第二个参数可以指定备用默认值。key、default和结果为str。
• GIT_INFO检测git下的yolov5的更新信息
  

2.1 第一部分 进行校验

2.2 第二部分 配置resume参数用于中断之后进行训练

2.3第三部分 DDP mode

• 选择cpu训练还是Gpu训练
• 如果配置了分布式训练就需要额外进行配置
  

2.4 第四部分

• 训练部分
  

• 第一部分 产生两个权重文件，权重文件是
  

• 第二部分 超级参数 Hyperparameters
  

• 第三部分 保存的运行设置
  

• 第四部分 loogger信息设置
  

• 第五部分 配置部分
  

• 第六部分 model 检查训练权重
  

• 第六部分 控制训练的层，可以调整参数，从对应的第几层开始进行训练
  

• 第七部分 设置图片的大小
  

• 第八部分 batch的大小
  

• 第九部分 配置优化器
  

• 第十部分 调度程序 ，lf为学习率因子
  

• 第十一部分 保持模型state_dict（参数和缓冲区）中所有内容的移动平均值
  

• 第十二部分 恢复训练 Resume
  

• 第十三部分 多卡训练训练
  

• 第十四部分 同步批处理
  

• 第十五部分 Trainloader
  

• 第十六部分 校验loader
  

• 第十七部分 分布式训练DDP mode
  

• 第十八部分 模型数据封装到model类 Model attributes
  

• 第十九部分 开始训练Start training 循环调用
  

• 第二十部分 结束训练
  

3.训练结果

• x和y表示标注框，深度越深表示标注的点越多
• heitht和width是代码标注的数据的位置