YOLO系列（v2-v5）常用命令的系统化汇总

以下为YOLO系列（v2-v5）常用命令的系统化汇总，结合官方文档与实战经验整理而成，涵盖训练、推理、评估等全流程操作：

---

一、YOLOv5 命令集

1. 模型训练

# 基础训练（单卡）
python train.py --img 640 --batch 64 --epochs 100 --data data/mydata.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --device 0

# 多GPU训练
python train.py --img 640 --batch 64 --epochs 500 --data data/my_car.yaml --cfg models/yolov5x-car.yaml --weights yolov5x.pt --device 0,1

# 断点续训
python train.py --resume --img 640 --batch 16 --epochs 55 --data data/Big.yaml --cfg models/yolov5x.yaml --weights yolov5x.pt --device 0,1

关键参数说明：

• --img：输入图像尺寸（需为32的倍数）
• --batch：根据显存调整（RTX 3090建议64-128）
• --data：数据集配置文件路径
• --cfg：模型结构配置文件

2. 模型验证与测试

# 计算mAP
python test.py --data data/YJL.yaml --weights runs/exp1/weights/best.pt --augment

# 单图推理
python detect.py --weights yolov5s.pt --source bus.jpg --device 0

# 视频检测
python detect.py --source 123.mp4 --weights best.pt --device 0,1

# 批量检测
python detect.py --weights best.pt --source test/ --device 0,1 --conf-thres 0.5

3. 模型导出

# 导出ONNX格式
python export.py --weights best.pt --img 640 --batch 1 --include onnx

---

二、YOLOv4/v3/v2 命令集（基于Darknet）

1. 通用训练流程

# 基础训练（YOLOv4）
./darknet detector train cfg/voc.data cfg/yolov4.cfg_train yolov4.conv.137 -gpus 0 -map

# 多GPU训练（YOLOv3）
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg_train darknet53.conv.74 -gpus 0,1 | tee train.log

# 断点续训
./darknet detector train cfg/voc.data cfg/yolov4-tiny.cfg_train backup/yolov4-tiny_last.weights -gpus 0,1 -clear

2. 模型评估

# 计算mAP（YOLOv4）
./darknet detector map cfg/voc.data cfg/yolov4.cfg_val backup/yolov4_best.weights

# 计算Recall（YOLOv3）
./darknet detector recall cfg/voc.data cfg/yolov3-tiny.cfg_val backup/yolov3-tiny_best.weights

# 批量测试生成结果
./darknet detector valid cfg/voc.data cfg/yolov2.cfg_val backup/yolov2_best.weights -out results

3. 推理部署

# 单图检测
./darknet detector test cfg/voc.data cfg/yolov4-tiny.cfg_val backup/yolov4-tiny_best.weights test.jpg -thresh 0.3

# 视频流检测
./darknet detector demo cfg/voc.data cfg/yolov3.cfg yolov3.weights test.mp4

# 摄像头实时检测
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights

---

三、迁移学习专项

1. 预训练模型生成

# 生成YOLOv4-tiny迁移学习权重
./darknet partial cfg/yolov4-tiny.cfg yolov4-tiny.weights yolov4-tiny.conv.29 29

2. 自定义Anchor优化

# 计算最佳Anchor（YOLOv3）
./darknet detector calc_anchors cfg/voc.data -num_of_clusters 9 -width 416 -height 416 -show

---

四、高级调试技巧

1. 训练可视化

# TensorBoard监控
tensorboard --logdir=runs  # 访问返回的URL查看曲线

2. 性能优化

# 调整学习率（初始建议值）
python train.py --lr0 0.01 --lr1 0.001  # 初始学习率0.01，最终0.001

3. 多尺度训练

# 开启随机尺度（Darknet）
random=1  # 在cfg文件中设置，输入尺寸范围320-608

---

五、环境管理命令

1. 进程管理

# 查看GPU进程
nvidia-smi -l 1  # 每秒刷新GPU状态

# 终止训练进程
kill -9 $(pgrep darknet)

2. 文件操作

# 批量转换标签格式
python voc_label.py  # 生成Darknet格式标签

---

附：版本差异对照表

功能	YOLOv5命令	Darknet系列命令
多GPU训练	--device 0,1	-gpus 0,1
模型导出	export.py支持ONNX/TensorRT	需手动转换模型格式
数据增强	--augment自动组合增强策略	需在cfg文件中配置jitter参数
学习率调整	内置cosine/linear调度	需配置policy=steps手动调整

学习建议：

1. 优先掌握YOLOv5的PyTorch生态工具链
2. 理解Darknet的cfg文件参数含义（如subdivisions与batch关系）
3. 定期使用./darknet detector map验证模型性能
4. 参考官方更新日志调整超参数（如YOLOv5 v6.1后优化了Anchor计算方式）

完整代码库参考：YOLOv5官方仓库 | Darknet源码