目标检测（8）—— YOLOV5代码调试及参数解析_yolov5代码链接

一、下载及项目介绍

• 打开github搜索YOLOV5，我这里选择最新版本6.2，大家直接戳链接下载https://github.com/ultralytics/yolov5/tree/v6.2

• 点击右边的release，查看项目介绍
• 在当前文件中发布的权重文件

• 网络介绍

举例：

二、环境配置

• 用pycharm打开，先配置解释器，再启动环境
• 安装项目需要的库，在终端运行

• 安装pycocotools会报错，单独在终端运行

pip install pycocotools-windows
1

三、detect.py参数解析（测试文件）

环境配置好后，运行一下detect.py文件进行测试，能跑通说明没问题。

详细看一下main中的配置参数是什么：

main函数中，default代表该参数有默认值，action代表可选，只有在运行的时候指定带action的参数，这个参数才生效。

• weights：default=‘yolov5s.pt’，默认使用这个权重文件

修改成yolov5m.pt测试一下：

开始下载（m比s大很多）并预测：

m的效果比s好。

模型的选择如下：

手动下载：下载l（l比m和s都要大），复制控制台的下载路径放到迅雷里下载，下载完后复制到根目录里，运行就会显示下载完成

• source：指定要检测文件（图片/视频）的路径，给网络指定一个输入，当指定是文件夹的时候，就把文件夹下面的所有文件进行检测，并把结果保存起来。
• 可以只检测一张图片，写成相对路径的格式

• 检测视频

结果：

• 摄像头实时监测：手机上下载ip摄像头，路径改为http://admin:密码@手机上打开之后显示的ip地址，手机要和电脑在一个wifi下。

• imgsz：送入训练网络图片的大小

图片size最好是匹配的，随便改也没有关系。

5l、5m…这些使用在图片size为640的img中，5l6…这些使用在size为1280的img中。虽然指定了“输入神经网络的图片”尺寸，但是经过神经网络输出后的图片尺寸大小恢复至原来的大小。（矩形框和图片等比例的放大）

• conf-thres：置信度，default=0.25，当置信度>0.25的时候，才相信这是一个目标，矩形框才显示

默认值改成0（表示有一丁点概率，就将矩形框显示出来）

参数根据实际情况调整就可以。

• iou-thres：非极大值抑制

比如说在下图（左边），三个矩形框都代表的是一张人脸，需要在三个框中选出一个最优的框。
给定一个阈值，当iou大于这个阈值（理解为两个框相交到一定的程度），就保留效果最好的框，小于这个框的时候，就对这些框不做处理。

iou的计算公式：

、

将参数设置成1看一下，代表框完全相同的时候，才选择合适的框。

• device：GPU或者CPU，会自行检测

• view-img：是否显示结果

action代表在执行的时候指定这个参数，参数才会生效

在命令行里执行：不指定参数

在命令行里执行：指定参数，会快速的将结果显示，然后关闭

一般情况下在这里设置参数，设置好后，直接run（这种情况下，要把电脑开成性能模式，省电模式下出不来）

可以用这个参数进行视频的实时监测

• save-txt：是否将结果保存成txt，类别，x，y，height，width

• classes：可以给classes指定多个赋值，可以给class只赋值0这个类别，也可以把0，2，3都赋给这个类别。

对目标进行过滤，选定class=0这个类别的话，就只保留0类别的东西，其余类别的都不要了。

指定参数运行：

只保留了类别为0的目标：

• agnostic-nms：增强，对结果提升的方式

• augment：同上，增强的话效果会更好

• update：只保留预测时使用的优化器，不用管

• project：结果的保存位置

• name：保存结果的文件名

• exist-ok：不设置的话，新的一次预测，在原来的文件夹后新建一个文件夹，设置后，新的预测在原来的文件夹上覆盖

打断点debug一下，就可以看到参数的状态：

四、train.py参数解析（训练文件）

在运行之前，注意修改两个参数：

• 把线程数改为0
• 把batch_size改小

否则显卡会爆

点击运行，开始下载数据集（COCO数据集前128张）并进行训练：

训练保存的结果：（暂停了，没有训练完）

总体参数概览：

• weights：指定一个训练好的模型的路径，用这个模型初始化要训练网络的参数（迁移学习）

可以改成yolov5m.pt、s、l、x、n等等，也可以用自己训练好的模型，写路径即可。
从头开始训练的话，为空。

• cfg：模型的一些配置

模型参数的配置在models里：.yaml文件，下面5种是可以填的参数

.yaml配置文件中：




写成这样代表不进行参数的初始化，网络架构训练成yolov5s这样的

• data：指定的训练数据集

打开coco128.yaml

还可以使用如下的数据集进行训练：（可以填的参数）

• hyp：超参数

• epochs：训练的轮数

• batch_size：一次送入神经网络多少张图片

• imgsz：设置送入神经网络的大小，送入神经网络后resize成640，（最后会还原成原始图片的大小）

• rect：矩形的训练方式

不用把图片强制变成正方形，可以只加一点点的边框，节省了空间，加快了模型的训练过程

• resume：是否从当前已经训练的模型中，继续训练

把False改成想继续训练模型的所在地方（路径），是训练模型的pt

指定后，就在指定的pt上继续训练

• nosave：指定的话只保存最后一个epoch的模型、权重数据等

• noval：指定的话只在最后一个epoch上进行测试，一般在每个epoch上都要进行测试

• noautoanchor：是否采用锚点（锚框）进行训练。指定了就取消了，但是我们需要，就不管了

之前采用滑动窗口等，现在都采用锚框

• evolve：对参数进行净化，超参数调优的一种方式

• cache：对图片进行缓存

• image-weights：在测试中，那一张图片的效果不太好，就在下一次训练过程中加一些权重

• multi-scale：对图片的尺寸进行变换

• single-cls：是单类别还是多类别，默认情况下是false，是多类别的

• optimizer：优化器的选择，默认是SGD

• 带有DDP的参数可以不用看，是多GPU使用的参数，采用分布式训练

• project：项目训练保存在哪里

• name：文件名字

• exist-ok：不设置的话文件exp增加，设置的话在当前的exp直接覆盖

• quad：数据加载

• linear-lr：学习率的调整方式，余弦退火

• label-smoothing：标签平滑，防止过拟合现象的产生

• save_period：对模型打一些日志