yolov5.5训练自己的数据集笔记

1、参数解析：

parser = argparse.ArgumentParser()
#指定初始化权重，用于初始化训练的初始权重，可以不指定从头开始，但是用别的权重可以更快收敛
parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')
#模型参数配置
parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='model.yaml path')
#指定训练数据集，自己训练时要指定自己的数据集
parser.add_argument('--data', type=str, default='data/mydata.yaml', help='data.yaml path')
#超参数，这里作者给了两种，from scratch(从头开始)，from cooc fineturning(从coco数据集微调超参数)
parser.add_argument('--hyp', type=str, default='data/hyp.scratch.yaml', help='hyperparameters path')
#训练多少轮
parser.add_argument('--epochs', type=int, default=300)
#批大小，一次喂多少张图片
parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs')
#图片大小
parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes')
#长方形训练，对于非正方形的不再填充成正方了。
parser.add_argument('--rect', action='store_true', help='rectangular training')
#是否在最近训练的训练模型参数基础上继续训练，改为true不一定能行，可以指定要继续的权重文件
parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
#只保存最后一个权重文件，action=''的理解，如果设置了这个参数，就会使action执行，执行的设置就是help中的内容，
# #如果没设置就相当于默认是help中的相反设置
parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
#只保存最后一次的epoch
parser.add_argument('--notest', action='store_true', help='only test final epoch')
#是否有锚框识别
parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')

parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters')
parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
#缓存图片加快训练
parser.add_argument('--cache-images', action='store_true', help='cache images for faster training')
#使用权重图片训练图片，比如前一次测试的图片不好，下一次训练时给这个图片加上权重。
parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
#使用的设备
parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
#尺度的变换
parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
#训练的是多类别还是单类别，
parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
#是否使用优化器
parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')
#
parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')
parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers')
parser.add_argument('--project', default='runs/train', help='save to project/name')
parser.add_argument('--entity', default=None, help='W&B entity')
#默认训练结果保存exp增加
parser.add_argument('--name', default='exp', help='save to project/name')
parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
parser.add_argument('--quad', action='store_true', help='quad dataloader')
parser.add_argument('--linear-lr', action='store_true', help='linear LR')
parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
parser.add_argument('--upload_dataset', action='store_true', help='Upload dataset as W&B artifact table')
parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval for W&B')
parser.add_argument('--save_period', type=int, default=-1, help='Log model after every "save_period" epoch')
parser.add_argument('--artifact_alias', type=str, default="latest", help='version of dataset artifact to be used')
opt = parser.parse_args()

 

2、设置数据集(目录文件夹名必须一致)
mydata----images------train
　　　　|　　　　　　|
　　　　|　　　　　　|---test
　　　　|
　　　　|
　　　　|--labels-----train
　　　　　　　　　　　|
　　　　　　　　　　　|--test
3、在data文件夹重写一个mydata.yaml文件，可以拷贝coco.yaml，修改以下

train: mydata/images/train 
val:  mydata/images/train 

# number of classes
nc: 2

# class names
names: [ 'fire','smoke']

4、改参数