做网站六安,信息时代网站建设的重要性,公司网站框架,苏州公司建站文章目录 1、前言2、train.py-文件解读2.1、常用的参数2.1.1、weights2.1.2、cfg2.1.3、data2.1.4、epochs2.1.5、batch-size2.1.6、imgsz2.1.7、device2.1.8、resume2.1.9、hyp2.1.10、adam 3、detect.py-文件解读3.1、常用的参数3.1.1、weights3.1.2、source3.1.3、imgsz3.1.… 文章目录 1、前言2、train.py-文件解读2.1、常用的参数2.1.1、weights2.1.2、cfg2.1.3、data2.1.4、epochs2.1.5、batch-size2.1.6、imgsz2.1.7、device2.1.8、resume2.1.9、hyp2.1.10、adam 3、detect.py-文件解读3.1、常用的参数3.1.1、weights3.1.2、source3.1.3、imgsz3.1.4、conf-thres3.1.5、iou-thres3.1.6、device3.1.6、view-img3.1.7、save-txt3.1.8、save-conf3.1.9、visualize 4、参考文献5、目标检测系列文章 1、前言 文本主要详细讲解运行参数含义 2、train.py-文件解读 train.py里面有一个parse_opt函数该函数用于读取命令行 action‘store_true’ 当用到该参数时则为true默认为false。如果是store_false,则默认值是truedefault 默认值nargs‘?’ 表示可设置零个或一个nargs‘*’ 表示可设置零个或多个nargs‘’ 表示可设置一个或多个
def parse_opt(knownFalse):parser argparse.ArgumentParser()# weights: 训练的权重路径,可以使用自己训练的权重,也可以使用官网提供的权重parser.add_argument(--weights, typestr, defaultROOT / yolov5s.pt, helpinitial weights path)# cfg:模型参数配置文件路径parser.add_argument(--cfg, typestr, default, helpmodel.yaml path)# data: 配置数据集路径, 包括image/label/classes等信息。# 如果设置了只显示个别类别即使用了--classes 0 或二者1, 2, 3等, 则需要设置该文件数字和类别相对应才能只检测某一个类parser.add_argument(--data, typestr, defaultROOT / data/coco128.yaml, helpdataset.yaml path)# hyp: 超参数的设置parser.add_argument(--hyp, typestr, defaultROOT / data/hyps/hyp.scratch.yaml, helphyperparameters path)# epochs:训练总轮次parser.add_argument(--epochs, typeint, default300)# batch-size:批次大小parser.add_argument(--batch-size, typeint, default16, helptotal batch size for all GPUs)# imgsz: 网络输入图片大小, 默认的大小是640parser.add_argument(--imgsz, --img, --img-size, typeint, default640, helptrain, val image size (pixels))# rect: 是否采用Rectangular training/inference一张图片为长方形我们在将其送入模型前需要将其resize到要求的尺寸所以我们需要通过补灰padding来变为正方形的图。# 但是这个操作会生成过多的冗余信息影响训练效果。Rectangular training/inference就是去除这些冗余信息。parser.add_argument(--rect, actionstore_true, helprectangular training)# resume: 接着上次打断的的结果开始训练parser.add_argument(--resume, nargs?, constTrue, defaultFalse, helpresume most recent training)# nosave: 只保存最后一次 pt 文件。默认Falseparser.add_argument(--nosave, actionstore_true, helponly save final checkpoint)# noval: 只在最后一次进行测试默认Falseparser.add_argument(--noval, actionstore_true, helponly validate final epoch)# noautoanchor: 不自动调整anchor默认Falseparser.add_argument(--noautoanchor, actionstore_true, helpdisable autoanchor check)# evolve: 是否进行超参数优化,利用遗传算法自动搜索超参数,默认Falseparser.add_argument(--evolve, typeint, nargs?, const300, helpevolve hyperparameters for x generations)# bucket: 谷歌云盘bucket一般不会用到parser.add_argument(--bucket, typestr, default, helpgsutil bucket)# cache:是否提前缓存图片到内存以加快训练速度parser.add_argument(--cache, typestr, nargs?, constram, help--cache images in ram (default) or disk)# image-weights: 对于那些训练不好的图片会在下一轮中增加一些权重parser.add_argument(--image-weights, actionstore_true, helpuse weighted image selection for training)# device: 训练的设备cpu0(表示一个gpu设备cuda:0)0,1,2,3(多个gpu)parser.add_argument(--device, default, helpcuda device, i.e. 0 or 0,1,2,3 or cpu)# multi-scale: 是否进行多尺度训练一般设置几种不同尺度的图片训练时每隔一定iterations随机选取一种尺度训练# 这样训练出来的模型鲁棒性强可以接受任意大小的图片作为输入使用尺度小的图片测试速度会快些但准确度低用尺度大的图片测试速度慢但是准确度高parser.add_argument(--multi-scale, actionstore_true, helpvary img-size /- 50%%)# single-cls: 数据集是否只有一个类别默认Falseparser.add_argument(--single-cls, actionstore_true, helptrain multi-class data as single-class)# adam: 是否使用adam优化器parser.add_argument(--adam, actionstore_true, helpuse torch.optim.Adam() optimizer)# sync-bn: 是否进行多 GPU 进行分布式训练parser.add_argument(--sync-bn, actionstore_true, helpuse SyncBatchNorm, only available in DDP mode)# dataloader的最大worker数量parser.add_argument(--workers, typeint, default8, helpmaximum number of dataloader workers)# project:保存测试日志的文件夹路径parser.add_argument(--project, defaultROOT / runs/train, helpsave to project/name)# name:保存测试日志文件夹的名字, 所以最终是保存在project/name中parser.add_argument(--name, defaultexp, helpsave to project/name)# exist_ok: 是否重新创建日志文件, False时重新创建文件parser.add_argument(--exist-ok, actionstore_true, helpexisting project/name ok, do not increment)# quad: 四元数据加载器parser.add_argument(--quad, actionstore_true, helpquad dataloader)# linear-lr用于对学习速率进行调整默认为 False通过余弦函数来降低学习率parser.add_argument(--linear-lr, actionstore_true, helplinear LR)# label-smoothing: 对标签进行平滑处理,防止过拟合parser.add_argument(--label-smoothing, typefloat, default0.0, helpLabel smoothing epsilon)parser.add_argument(--patience, typeint, default100, helpEarlyStopping patience (epochs without improvement))# freeze: 使用预训练模型的规定固定权重不进行调整 --freeze 10 :意思从第0层到到第10层不训练parser.add_argument(--freeze, typeint, default0, helpNumber of layers to freeze. backbone10, all24)parser.add_argument(--save-period, typeint, default-1, helpSave checkpoint every x epochs (disabled if 1))# gpu编号parser.add_argument(--local_rank, typeint, default-1, helpDDP parameter, do not modify)# Weights Biases argumentsparser.add_argument(--entity, defaultNone, helpWB: Entity)parser.add_argument(--upload_dataset, actionstore_true, helpWB: Upload dataset as artifact table)parser.add_argument(--bbox_interval, typeint, default-1, helpWB: Set bounding-box image logging interval)parser.add_argument(--artifact_alias, typestr, defaultlatest, helpWB: Version of dataset artifact to use)opt parser.parse_known_args()[0] if known else parser.parse_args()return opt2.1、常用的参数
weightscfgdataepochsbatch-sizeimgszdeviceresumehypadam
2.1.1、weights
parser.add_argument(--weights, typestr, defaultROOT / yolov5s.pt, helpinitial weights path)这个就是指定网络权重的路径默认是yolov5s.pt官方提供了很多的版本我们要更换的时候直接按照模型的名字更换就可以了(当然使用自己的也是完全没问题的)例如yolov5m.pt,yolov5l.pt他会自动的下载对应的权重不需要我们去Github手动下载。如果下载太慢或者失败只能去官网下载了下载好了直接放到根目录下就可以
2.1.2、cfg # 模型参数配置文件路径即你自己的网络模型比方models/yolov5s.yamlparser.add_argument(--cfg, typestr, default, helpmodel.yaml path)2.1.3、data
# 配置数据集路径, 包括image/label/classes等信息。
parser.add_argument(--data, typestr, defaultROOT / data/coco128.yaml, helpdataset.yaml path)2.1.4、epochs
# 训练总轮次
parser.add_argument(--epochs, typeint, default300)2.1.5、batch-size
# 批次大小
parser.add_argument(--batch-size, typeint, default16, helptotal batch size for all GPUs)2.1.6、imgsz
# 输入图片大小
parser.add_argument(--imgsz, --img, --img-size, typeint, default640, helptrain, val image size (pixels))2.1.7、device
# 训练的设备cpu0(表示一个gpu设备cuda:0)0,1,2,3(多个gpu)
parser.add_argument(--device, default, helpcuda device, i.e. 0 or 0,1,2,3 or cpu)2.1.8、resume
# 接着上次打断的的结果开始训练
parser.add_argument(--resume, nargs?, constTrue, defaultFalse, helpresume most recent training)2.1.9、hyp
# 超参数的设置
parser.add_argument(--hyp, typestr, defaultROOT / data/hyps/hyp.scratch.yaml, helphyperparameters path)2.1.10、adam
# adam: 是否使用adam优化器
parser.add_argument(--adam, actionstore_true, helpuse torch.optim.Adam() optimizer)3、detect.py-文件解读
weights: 训练的权重路径,可以使用自己训练的权重,也可以使用官网提供的权重source: 这个参数就是指定网络输入的路径默认指定的是文件夹也可以指定具体的文件或者扩展名等。imgsz: 输入图片的大小默认640即模型在检测图片前会把图片resize成640 × 640的尺寸然后检测。conf-thres: 置信度的阈值调节检测框的置信度要大于等于该阈值该检测框才会保留下来iou-thres: 调节IoU的阈值max-det: 设置一张图像中的最大检测数量默认是最多检测 1000 个目标device: 如果有GPU则默认用第0块GPU如果没有则会选择cpu,如果想要使用多个 GPU 并行训练时设置 0, 1 等。view-img: 实时的把检测结果显示出来即每检测出一张就会显示出一张直到所有图片检测完成。save-txt: 把检测结果保存成一个.txt的格式txt文件里面保存了一些类别信息和边框的坐标信息。save-conf: 以.txt的格式保存目标的置信度一般配合--save-txt一起使用。save-crop: 是否把模型检测的物体裁剪下来。裁剪的物体图片会保存在crops目录下。nosave: 不保存预测的结果。classes: 检测的类别可以设置一个或者多个类别根据自己的类别名去设置。比如coco数据集里面0代表person。agnostic-nms: 跨类别nms比如待检测图像中有一个长得很像篮球的足球pt文件的分类中有足球和篮球两种那在识别时这个足球可能会被同时框上2个框一个是足球一个是篮球。开启agnostic-nms后那只会框出一个框。augment: 增强推理visualize: 特征图可视化开启后.npy格式的文件就是保存的模型文件可以使用numpy读写,.png就是图片文件。update: 在模型训练的最后阶段去除优化器信息以减小模型文件的大小并将模型准备好用于推断或其他目的。project: 预测结果保存的路径。name: 预测结果保存的文件夹名字。exist-ok: 每次预测模型的结果是否保存在原来的文件夹如果指定了这个参数的话那么本次预测的结果还是保存在上一次保存的文件夹里如果不指定就是每次预测结果保存一个新的文件夹下。line-thickness: 调节预测框线条粗细的因为有的时候目标重叠太多会产生遮挡hide-labels: 隐藏标签显示类别之类的信息只保存检测框。hide-conf: 隐藏标签的置信度。half: 是否使用FP16半精度推理dnn: 使用 OpenCV DNN 进行 ONNX 推理。DNN -- Deep Neural NetworksONNXOpen Neural Network Exchange是一种多框架共用的开放协议的神经网络交换格式。 ONNX 定义了一组与环境和平台无关的标准格式为 AI 模型的互操作性提供了基础使 AI 模型可以在不同框架和环境下交互使用。def parse_opt():parser argparse.ArgumentParser()parser.add_argument(--weights, nargs, typestr, defaultROOT / weights/yolov5s-320.pt, helpmodel path(s))parser.add_argument(--source, typestr, defaultROOT / data/data-txt, helpfile/dir/URL/glob, 0 for webcam)parser.add_argument(--imgsz, --img, --img-size, nargs, typeint, default[640], helpinference size h,w)parser.add_argument(--conf-thres, typefloat, default0.25, helpconfidence threshold)parser.add_argument(--iou-thres, typefloat, default0.45, helpNMS IoU threshold)parser.add_argument(--max-det, typeint, default1000, helpmaximum detections per image)parser.add_argument(--device, default, helpcuda device, i.e. 0 or 0,1,2,3 or cpu)parser.add_argument(--view-img, actionstore_true, helpshow results)parser.add_argument(--save-txt, actionstore_true, helpsave results to *.txt)parser.add_argument(--save-conf, actionstore_true, helpsave confidences in --save-txt labels)parser.add_argument(--save-crop, actionstore_true, helpsave cropped prediction boxes)parser.add_argument(--nosave, actionstore_true, helpdo not save images/videos)parser.add_argument(--classes, nargs, typeint, helpfilter by class: --classes 0, or --classes 0 2 3)parser.add_argument(--agnostic-nms, actionstore_true, helpclass-agnostic NMS)parser.add_argument(--augment, actionstore_true, helpaugmented inference)parser.add_argument(--visualize, actionstore_true, helpvisualize features)parser.add_argument(--update, actionstore_true, helpupdate all models)parser.add_argument(--project, defaultROOT / runs/detect, helpsave results to project/name)parser.add_argument(--name, defaultexp, helpsave results to project/name)parser.add_argument(--exist-ok, actionstore_true, helpexisting project/name ok, do not increment)parser.add_argument(--line-thickness, default3, typeint, helpbounding box thickness (pixels))parser.add_argument(--hide-labels, defaultFalse, actionstore_true, helphide labels)parser.add_argument(--hide-conf, defaultFalse, actionstore_true, helphide confidences)parser.add_argument(--half, actionstore_true, helpuse FP16 half-precision inference)parser.add_argument(--dnn, actionstore_true, helpuse OpenCV DNN for ONNX inference)opt parser.parse_args()opt.imgsz * 2 if len(opt.imgsz) 1 else 1 # expandprint_args(FILE.stem, opt)return opt3.1、常用的参数
weightssourceimgszconf-thresiou-thresdeviceview-imgsave-txtsave-confvisualize
3.1.1、weights
# weights: 训练的权重路径,可以使用自己训练的权重,也可以使用官网提供的权重
parser.add_argument(--weights, nargs, typestr, defaultROOT / weights/yolov5s-320.pt, helpmodel path(s))3.1.2、source
# source: 这个参数就是指定网络输入的路径默认指定的是文件夹也可以指定具体的文件或者扩展名等。
parser.add_argument(--source, typestr, defaultROOT / data/data-txt, helpfile/dir/URL/glob, 0 for webcam)3.1.3、imgsz
# imgsz: 输入图片的大小默认640即模型在检测图片前会把图片resize成640 × 640的尺寸然后检测。
parser.add_argument(--imgsz, --img, --img-size, nargs, typeint, default[640], helpinference size h,w)3.1.4、conf-thres
# conf-thres: 置信度的阈值调节检测框的置信度要大于等于该阈值该检测框才会保留下来
parser.add_argument(--conf-thres, typefloat, default0.25, helpconfidence threshold)3.1.5、iou-thres
# iou-thres: 调节IoU的阈值
parser.add_argument(--iou-thres, typefloat, default0.45, helpNMS IoU threshold)3.1.6、device
# device: 如果有GPU则默认用第0块GPU如果没有则会选择cpu,如果想要使用多个 GPU 并行训练时设置 0, 1 等。
parser.add_argument(--device, default, helpcuda device, i.e. 0 or 0,1,2,3 or cpu)3.1.6、view-img
# view-img: 实时的把检测结果显示出来即每检测出一张就会显示出一张直到所有图片检测完成。
parser.add_argument(--view-img, actionstore_true, helpshow results)3.1.7、save-txt
# save-txt: 把检测结果保存成一个.txt的格式txt文件里面保存了一些类别信息和边框的坐标信息。
parser.add_argument(--save-txt, actionstore_true, helpsave results to *.txt)3.1.8、save-conf
# save-conf: 以.txt的格式保存目标的置信度一般配合--save-txt一起使用。
parser.add_argument(--save-conf, actionstore_true, helpsave confidences in --save-txt labels)3.1.9、visualize
# 特征图可视化开启后.npy格式的文件就是保存的模型文件可以使用numpy读写,.png就是图片文件。
parser.add_argument(--visualize, actionstore_true, helpvisualize features)4、参考文献
Yolov5的parse_opt中训练相关参数解释手把手带你调参YOLOv5 (v5.0-v7.0)推理
5、目标检测系列文章
YOLOv5s网络模型讲解(一看就会)生活垃圾数据集YOLO版YOLOv5如何训练自己的数据集双向控制舵机树莓派版树莓派部署YOLOv5目标检测详细篇YOLO_Tracking 实践 环境搭建 案例测试目标检测数据集划分 XML数据集转YOLO标签YOLOv5改进–轻量化YOLOv5s模型DeepSort行人车辆识别系统实现目标检测跟踪统计YOLOv5目标检测优化点添加小目标头检测
