YOLOv7训练参数解释_yolov7训练多少轮合适

训练参数说明：

①--weights:

预权重路径，如果设置为--weights=="",则重头训练

②-- cfg:

训练中模型的参数定义，采用yaml文件【注意是training下的yaml，不是deploy下的】，可以用于模型的选择

③--data:

数据集路径，默认为coco.yaml，主要定义数据集路径，以txt文件保存【训练集、验证集和测试集】，类的数量【默认nc=80】，类名【names】。

④--hpy:

训练中超参数配置路径，默认data/hpy.scratch.p5.yaml，比如学习率、动量参数、权重衰减、预热epoch等。

⑤--epoch:

训练多少轮，默认300轮

⑥--batch_size：

batch大小

⑦--img-size:

输入网络图像大小，默认640 * 640

⑧--rect:

rectangular training(就是不失真的resize图像训练)

⑨--resume:

重新开始最近的训练。用于设置是否在最近训练的一个模型基础上继续训练。默认为False，如果想要开启该功能，需要指定模型路径。

⑩--nosave:

设置为True后只保存最后一个epoch权重

11--notest:

设置为True后只测试最后一个epoch（只在最后一轮计算mAP值；在我们平时的训练中我们在每一轮训练结束的时候都会计算mAP值，如果开始此参数，那么只在最后一轮计算mAP值。），不建议动此参数。

12--noautoanchor:

是否禁用自动锚框；默认是开启的，可以简化训练过程；设置为True，表示不自动聚类anchor。

当配置文件中的anchor计算bpr（best possible recall）小于0.98时才会重新计算anchor。
best possible recall最大值1，如果bpr小于0.98，程序会根据数据集的label自动学习anchor的尺寸

13--evolve：

设置为True，超参数优化，可以选择自己的更有的超参数(但资源消耗也很厉害)，一般情况下用不到

14--bucket:

谷歌云盘bucket，一般也用不到

15--cach-images:

设置为True，提前缓存图像可用于加速训练，默认False。

16--image-weights：

默认为False，加权图像选择进行训练。指对于那些训练不理想的图像，再下一次训练的时会增加一些权重，使其更关注这些困难样本

17--device:

设备选择，如果是GPU就输入GPU索引【如0，1，2..】，CPU训练就填cpu

18--multi-scale:

默认为False，是否采用多尺度训练

19--single-cls:

数据集是单类别还是多类别，默认False

20--adam:

默认False(即采用随机梯度下降SGD)，设置为True，则采用adam优化器,

21--sync-bn:

是否使用跨卡同步BN,在DDP模式使用，默认False

22--local_rank:

DDP参数（不要改动）

23--workers:

线程数，根据自己的电脑设置

24--project:

训练模型保存的位置，默认为run/train

25--entity:

wandb 库对应的东西

26--name:

保存项目名字，一般是run/train/exp

27--exist-ok：

模型目录是否存在，不存在就创建

28--quad:

简单理解，生效后可以在比前面 “--img-size” 部分设置的训练测试数据集更大的数据集上训练。好处是在比默认 640 大的数据集上训练效果更好；副作用是在 640 大小的数据集上训练效果可能会差一些

29--linear-lr:

对于学习率的调整，默认为False，开启后用余弦函数调整学习率

30--label-smoothing：

标签平滑，防止过拟合

31--upload_dataset：

更新数据集，和wandb 库有关。也基本不用

32--bbox_interval：

设置bbox log，也是和wandb有关，一般用不到

33--save_period：

在每个保存周期的epoch后用于记录模型日志，默认为-1

34--artifact_alias：

可能以后更新的参数

35--freeze：

“冻结”层指的是该层不参加网络训练，yolov7的冻结层是50层

最后：

如果你想要进一步了解更多的相关知识，可以关注下面公众号联系~会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner，gui设计、simulink仿真......希望能帮到你！