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

1. 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true
2. default 默认值
3. nargs=‘?’ 表示可设置零个或一个
4. nargs=‘*’ 表示可设置零个或多个
5. nargs=‘+’ 表示可设置一个或多个

def parse_opt(known=False):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', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')# cfg:模型参数配置文件路径parser.add_argument('--cfg', type=str, default='', help='model.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', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')# hyp: 超参数的设置parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch.yaml', help='hyperparameters path')# epochs:训练总轮次parser.add_argument('--epochs', type=int, default=300)# batch-size:批次大小parser.add_argument('--batch-size', type=int, default=16, help='total 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', type=int, default=640, help='train, 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', action='store_true', help='rectangular training')# resume: 接着上次打断的的结果开始训练parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')#   nosave: 只保存最后一次 pt 文件。，默认Falseparser.add_argument('--nosave', action='store_true', help='only save final checkpoint')# noval: 只在最后一次进行测试，默认Falseparser.add_argument('--noval', action='store_true', help='only validate final epoch')# noautoanchor: 不自动调整anchor，默认Falseparser.add_argument('--noautoanchor', action='store_true', help='disable 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', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')# bucket: 谷歌云盘bucket，一般不会用到parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')#  cache:是否提前缓存图片到内存，以加快训练速度parser.add_argument('--cache', type=str, nargs='?', const='ram', 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', action='store_true', help='use weighted image selection for training')# device: 训练的设备，cpu；0(表示一个gpu设备cuda:0)；0,1,2,3(多个gpu)parser.add_argument('--device', default='', help='cuda 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', action='store_true', help='vary img-size +/- 50%%')# single-cls: 数据集是否只有一个类别，默认Falseparser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')# adam: 是否使用adam优化器parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')# sync-bn: 是否进行多 GPU 进行分布式训练parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')# dataloader的最大worker数量parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers')# project:保存测试日志的文件夹路径parser.add_argument('--project', default=ROOT / 'runs/train', help='save 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', default='exp', help='save 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', action='store_true', help='existing project/name ok, do not increment')# quad: 四元数据加载器parser.add_argument('--quad', action='store_true', help='quad 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', action='store_true', help='linear LR')# label-smoothing: 对标签进行平滑处理,防止过拟合parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')parser.add_argument('--patience', type=int, default=100, help='EarlyStopping 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', type=int, default=0, help='Number of layers to freeze. backbone=10, all=24')parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')# gpu编号parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')# Weights & Biases argumentsparser.add_argument('--entity', default=None, help='W&B: Entity')parser.add_argument('--upload_dataset', action='store_true', help='W&B: Upload dataset as artifact table')parser.add_argument('--bbox_interval', type=int, default=-1, help='W&B: Set bounding-box image logging interval')parser.add_argument('--artifact_alias', type=str, default='latest', help='W&B: Version of dataset artifact to use')opt = parser.parse_known_args()[0] if known else parser.parse_args()return opt

2.1、常用的参数

1. weights
2. cfg
3. data
4. epochs
5. batch-size
6. imgsz
7. device
8. resume
9. hyp
10. adam

2.1.1、weights

parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial 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', type=str, default='', help='model.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', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')

2.1.4、epochs

# 训练总轮次
parser.add_argument('--epochs', type=int, default=300)

2.1.5、batch-size

# 批次大小
parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs')

2.1.6、imgsz

# 输入图片大小
parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')

2.1.7、device

# 训练的设备，cpu；0(表示一个gpu设备cuda:0)；0,1,2,3(多个gpu)
parser.add_argument('--device', default='', help='cuda 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='?', const=True, default=False, help='resume most recent training')

2.1.9、hyp

# 超参数的设置
parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch.yaml', help='hyperparameters path')

2.1.10、adam

# adam: 是否使用adam优化器
parser.add_argument('--adam', action='store_true', help='use 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 NetworksONNX（Open 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='+', type=str, default=ROOT / 'weights/yolov5s-320.pt', help='model path(s)')parser.add_argument('--source', type=str, default=ROOT / 'data/data-txt', help='file/dir/URL/glob, 0 for webcam')parser.add_argument('--imgsz', '--img', '--img-size', nargs='+', type=int, default=[640], help='inference size h,w')parser.add_argument('--conf-thres', type=float, default=0.25, help='confidence threshold')parser.add_argument('--iou-thres', type=float, default=0.45, help='NMS IoU threshold')parser.add_argument('--max-det', type=int, default=1000, help='maximum detections per image')parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')parser.add_argument('--view-img', action='store_true', help='show results')parser.add_argument('--save-txt', action='store_true', help='save results to *.txt')parser.add_argument('--save-conf', action='store_true', help='save confidences in --save-txt labels')parser.add_argument('--save-crop', action='store_true', help='save cropped prediction boxes')parser.add_argument('--nosave', action='store_true', help='do not save images/videos')parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --classes 0, or --classes 0 2 3')parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS')parser.add_argument('--augment', action='store_true', help='augmented inference')parser.add_argument('--visualize', action='store_true', help='visualize features')parser.add_argument('--update', action='store_true', help='update all models')parser.add_argument('--project', default=ROOT / 'runs/detect', help='save results to project/name')parser.add_argument('--name', default='exp', help='save results to project/name')parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')parser.add_argument('--line-thickness', default=3, type=int, help='bounding box thickness (pixels)')parser.add_argument('--hide-labels', default=False, action='store_true', help='hide labels')parser.add_argument('--hide-conf', default=False, action='store_true', help='hide confidences')parser.add_argument('--half', action='store_true', help='use FP16 half-precision inference')parser.add_argument('--dnn', action='store_true', help='use 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 opt

3.1、常用的参数

1. weights
2. source
3. imgsz
4. conf-thres
5. iou-thres
6. device
7. view-img
8. save-txt
9. save-conf
10. visualize

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='+', type=str, default=ROOT / 'weights/yolov5s-320.pt', help='model 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', type=str, default=ROOT / 'data/data-txt', help='file/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='+', type=int, default=[640], help='inference 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', type=float, default=0.25, help='confidence threshold')

3.1.5、iou-thres

# iou-thres: 调节IoU的阈值
parser.add_argument('--iou-thres', type=float, default=0.45, help='NMS 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='', help='cuda 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', action='store_true', help='show 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', action='store_true', help='save 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', action='store_true', help='save 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', action='store_true', help='visualize features')

4、参考文献

1. Yolov5的parse_opt（）中训练相关参数解释
2. 手把手带你调参YOLOv5 (v5.0-v7.0)（推理）

5、目标检测系列文章

1. YOLOv5s网络模型讲解(一看就会)
2. 生活垃圾数据集（YOLO版）
3. YOLOv5如何训练自己的数据集
4. 双向控制舵机（树莓派版）
5. 树莓派部署YOLOv5目标检测（详细篇）
6. YOLO_Tracking 实践 （环境搭建 & 案例测试）
7. 目标检测：数据集划分 & XML数据集转YOLO标签
8. YOLOv5改进–轻量化YOLOv5s模型
9. DeepSort行人车辆识别系统（实现目标检测+跟踪+统计）
10. YOLOv5目标检测优化点（添加小目标头检测）