Skip to content

Latest commit

 

History

History
89 lines (67 loc) · 3.62 KB

yolov5_cn.md

File metadata and controls

89 lines (67 loc) · 3.62 KB
Raw

简体中文 | English

YOLOv5 模型

内容

简介

Yolov5在结构上和YOLOv4很像，不同点在于他的配置更灵活，可轻松配置网络的深度和广度，共给出4个版本的网络，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型，每个模型的结构的不同在于BottleneckCSP模块的深度（块数量）和广度（通道数）不同，可以满足配置型号的机器，此设计结构跟google的EfficientNet很像，同样考虑网络的深度，广度和分辨率对模型的影响。

网络结构和特点

网络结构

网络细节

采用Netron可视化yolov5x模型结构 点击【这里】查看细节

YOLOv5特点及技巧点：

训练技巧

  • 指数移动平均
  • 预热
  • 梯度剪切
  • 梯度累计更新
  • 多尺度训练
  • 学习率调整：Consine
  • Label Smooth
  • YOLOv5对于正样本的定义:在不同尺度锚框下只要真框和给定锚框的的比值在4倍以内，该锚框即可负责预测该真值框。并根据gx,gy在grid中心点位置的偏移量会额外新增两个grid坐标来预测。通过这一系列操作，增加了正样本数量，加速模型收敛速度。而YOLO原系列对于真框，在不同尺度下只有在该尺度下IOU交并集最大的锚框负责预测该真框，其他锚框不负责，所以由于较少的正样本量，模型收敛速度较慢。

如何使用

准备

自行准备训练需要的数据集，指定需要训练的数据位置，具体操作请查看【这里】。有关数据集准备，可查看yolov4相关章节，点击【这里】快速到达。

使用GPU训练

python tools/train.py ${CONFIG_FILE}

如果您想在命令中指定工作目录，可以添加一个参数--work_dir ${YOUR_WORK_DIR}。 例如采用YOLOv4训练模型:

python tools/train.py cfg/yolov4_coco_100e.py --device ${device} --validate

使用指定gpu训练

python tools/train.py ${CONFIG_FILE} --device ${device} [optional arguments]

例如采用YOLOv4训练模型:

python tools/train.py cfg/yolov4_coco_100e.py --device 0,1,2 --validate

可选参数:

  • --validate(强烈建议):在训练epoch期间每一次k(默认值是1，可以像这样修改this)来执行评估。

  • --work_dir ${WORK_DIR}:覆盖配置文件中指定的工作目录。

  • --device ${device}: 指定device训练, 0 or 0,1,2,3 or cpu，默认全部使用。

  • --resume_from ${CHECKPOINT_FILE}:从以前训练的checkpoints文件恢复训练。

  • --multi-scale:多尺度缩放，尺寸范围为训练图片尺寸+/- 50%

resume_from 和load_from的不同:

resume_from加载模型权重和优化器状态，并且训练也从指定的检查点继续训练。它通常用于恢复意外中断的训练。 load_from只加载模型权重，并且训练从epoch 0开始。它通常用于微调。