【YOLOv3】源码（train.py）

概述

主要模块分析

• 参数解析与初始化
  • 功能：解析命令行参数，设置训练配置
  • 项目经理制定详细的施工计划和资源分配
• 日志记录与监控
  • 功能：初始化日志记录器，配置监控系统
  • 项目经理使用监控和记录工具，实时跟踪施工进度和质量
• 模型与数据加载
  • 功能：加载模型权重和配置文件，准备训练数据
  • 项目经理选择建筑设计方案，准备施工材料和组织施工队伍
• 优化器与学习率调度器设置
  • 功能：设置优化器和学习率调度器，指导模型参数更新
  • 项目经理分配施工资源，制定施工进度计划
• 训练循环
  • 功能：执行模型的前向传播、损失计算、反向传播和参数更新
  • 施工队每日执行施工任务，项目经理监控进度和质量
• 验证与评估
  • 功能：定期验证模型性能，评估训练效果
  • 项目经理进行阶段性质量检查，评估施工质量和进度
• 模型保存与早停机制
  • 功能：保存模型状态，应用早停机制优化训练过程
  • 项目经理记录施工进度和质量，决定是否调整或终止施工计划

主要模块

参数解析与初始化

一般在训练模型的时候，需要在这里调整相应的参数，这类似于建筑项目经理制定详细的施工计划和资源分配

常用设置参数

• --weights：模型初始权重路径，通常设置为预训练模型路径，例如YOLOve.pt
• --cfg：模型结构的 YAML 配置文件路径，例如yolov3.yaml
• --data：数据集配置文件路径，定义训练/验证数据集的路径和类别等信息
• --hyp：超参数配置文件路径，控制训练的优化器、学习率等超参数
• --epochs：训练的总轮数，决定训练时长
• --batch-size：批量大小，影响内存占用和训练速度
• --imgsz：输入图像的尺寸
• --device：指定使用的设备，0就表示GPU0
• --adam：是否使用 Adam 优化器（默认使用 SGD）

W&B 参数（类似项目中的监控和记录工具）

• --entity：设置 W&B 的实体名称，用于项目关联
• --upload_dataset：是否将数据集上传到 W&B Artifact Table
• --bbox_interval：控制目标框日志记录的间隔

def parse_opt(known=False):
    """
    函数功能：
        用于解析命令行参数，设置训练、验证和测试时的超参数及其他相关配置。

    参数:
        known (bool): 是否只解析已知的命令行参数。如果为 True，则返回已知参数，忽略其他参数。
    
    返回:
        argparse.Namespace: 包含解析后参数的命名空间对象 `opt`。
    """
    import argparse

    # 创建 ArgumentParser 对象
    parser = argparse.ArgumentParser()

    # ---------------------------- 常用参数配置 ----------------------------------
    # 权重文件路径
    parser.add_argument('--weights', type=str, default=ROOT / 'weight/yolov3.pt',
                        help='initial weights path (初始权重文件路径)')

    # 模型配置文件路径
    parser.add_argument('--cfg', type=str, default='models/yolov3.yaml',
                        help='model.yaml path (模型结构配置文件路径)')

    # 数据集配置文件路径
    parser.add_argument('--data', type=str, default=ROOT / 'data/you.yaml',
                        help='dataset.yaml path (数据集配置文件路径)')

    # 超参数配置文件路径
    parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch.yaml',
                        help='hyperparameters path (超参数配置文件路径)')

    # 训练周期数
    parser.add_argument('--epochs', type=int, default=20,
                        help='Number of epochs to train (训练的总轮数)')

    # 批量大小
    parser.add_argument('--batch-size', type=int, default=4,
                        help='Total batch size for all GPUs, -1 for autobatch (总的批量大小)')

    # 图像大小
    parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=416,
                        help='train, val image size (pixels) (训练和验证时图像的输入尺寸)')

    # 是否使用矩形训练
    parser.add_argument('--rect', action='store_true', default=True,
                        help='rectangular training (是否使用矩形训练)')

    # 是否恢复最近一次的训练
    parser.add_argument('--resume', nargs='?', const=True, default="",
                        help='resume most recent training (恢复最近的训练检查点)')

    # 仅保存最终的检查点
    parser.add_argument('--nosave', action='store_true',
                        help='only save final checkpoint (只保存最终检查点)')

    # 仅验证最终周期
    parser.add_argument('--noval', action='store_true',
                        help='only validate final epoch (只在最后一轮进行验证)')

    # 是否禁用自动生成 anchors
    parser.add_argument('--noautoanchor', action='store_true',
                        help='disable autoanchor check (禁用自动生成 anchor 的功能)')

    # 超参数进化
    parser.add_argument('--evolve', type=int, nargs='?', const=300,
                        help='evolve hyperparameters for x generations (超参数进化代数)')

    # Google Cloud Bucket
    parser.add_argument('--bucket', type=str, default='',
                        help='gsutil bucket (Google 云存储桶路径)')

    # 是否缓存数据集到 RAM 或磁盘
    parser.add_argument('--cache', type=str, nargs='?', const='ram', default=True,
                        help='--cache images in "ram" (default) or "disk" (缓存数据集)')

    # 是否使用加权的图像选择训练
    parser.add_argument('--image-weights', action='store_true',
                        help='use weighted image selection for training (训练时使用加权图像选择)')

    # 指定训练的设备
    parser.add_argument('--de