往期回顾:YOLOv5源码解读1.0-目录_汉卿HanQ的博客-优快云博客
目录
1.导入Python库
import argparse # 解析命令行参数模块
import math # 数学公式模块
import os # 与操作系统进行交互的模块 包含文件路径操作和解析
import random # 生成随机数模块
import sys # sys系统模块 包含了与Python解释器和它的环境有关的函数
import time # 时间模块 更底层
from copy import deepcopy # 深度拷贝模块
from datetime import datetime # datetime模块能以更方便的格式显示日期或对日期进行运算。
from pathlib import Path # Path将str转换为Path对象 使字符串路径易于操作的模块
import numpy as np # numpy数组操作模块
import torch # 引入torch
import torch.distributed as dist # 分布式训练模块
import torch.nn as nn # 对torch.nn.functional的类的封装 有很多和torch.nn.functional相同的函数
import yaml # yaml是一种直观的能够被电脑识别的的数据序列化格式，容易被人类阅读，并且容易和脚本语言交互。一般用于存储配置文件。
from torch.cuda import amp # PyTorch amp自动混合精度训练模块
from torch.nn.parallel import DistributedDataParallel as DDP # 多卡训练模块
from torch.optim import SGD, Adam, lr_scheduler # tensorboard模块
from tqdm import tqdm # 进度条模块
2.获取文件路径
# ----------------------------------2.获取文件路径----------------------------------
FILE = Path(__file__).resolve()
ROOT = FILE.parents[0] # YOLOv5 root directory
if str(ROOT) not in sys.path:
sys.path.append(str(ROOT)) # add ROOT to PATH
ROOT = Path(os.path.relpath(ROOT, Path.cwd())) # relative3.自定义模块
# ----------------------------------3.自定义模块----------------------------------
import val # 测试集
from models.experimental import attempt_load # 实验性质代码 包括MixConv2d 跨层权重Sum
from models.yolo import Model # yolo特点模块 包括BaseModel DetectionModel ClassificationModel parse_model
from utils.autoanchor import check_anchors # 定义自动生成anchor方法
from utils.autobatch import check_train_batch_size #自动生成批量大小的方法
from utils.callbacks import Callbacks # 回调函数 主要为logger服务
from utils.datasets import create_dataloader # dataset和dataloader代码
from utils.downloads import attempt_download # google云盘内容下载
from utils.general import (LOGGER, NCOLS, check_dataset, check_file, check_git_status, check_img_size,
check_requirements, check_suffix, check_yaml, colorstr, get_latest_run, increment_path,
init_seeds, intersect_dicts, labels_to_class_weights, labels_to_image_weights, methods,
one_cycle, print_args, print_mutation, strip_optimizer) #常用工具函数
from utils.loggers import Loggers # 打印日志
from utils.loggers.wandb.wandb_utils import check_wandb_resume
from utils.loss import ComputeLoss # 存放损失函数
from utils.metrics import fitness # 模型验证指标 ap混淆矩阵等
from utils.plots import plot_evolve, plot_labels # Annotator类 可以在图像上绘制矩形框和标注西悉尼
from utils.torch_utils import EarlyStopping, ModelEMA, de_parallel, select_device, torch_distributed_zero_first # 定义了与Pytorch有关工具函数 选择设备 同步时间等4.分布式训练初始化(多GPU)
# ----------------------------------4.分布式训练初始化(多GPU)----------------------------------
"""
查考这两个环境变量，rank和local_rank区别在于前者用于进程间通讯， 后者用于本地设备分配
"""
LOCAL_RANK = int(os.getenv('LOCAL_RANK', -1)) #本地序列号，这个worker是这台机器上第几个worker
RANK = int(os.getenv('RANK', -1)) # 进程序号，这个Worker是全局第几个worker
WORLD_SIZE = int(os.getenv('WORLD_SIZE', 1)) # 总共有几个worker5.train
# ----------------------------------5.train----------------------------------
def train(hyp, # path/to/hyp.yaml or hyp dictionary
opt,
device,
callbacks
):
save_dir, epochs, batch_size, weights, single_cls, evolve, data, cfg, resume, noval, nosave, workers, freeze, = \
Path(opt.save_dir), opt.epochs, opt.batch_size, opt.weights, opt.single_cls, opt.evolve, opt.data, opt.cfg, \
opt.resume, opt.noval, opt.nosave, opt.workers, opt.freeze
# ----------------------------------5.1 创建训练权重路径 设置模型 txt等保存路径----------------------------------
# Directories
w = save_dir / 'weights' # 权重保存路径
(w.parent if evolve else w).mkdir(parents=True, exist_ok=True) # 新建文件夹
last, best = w / 'last.pt', w / 'best.pt' # 保存训练结果 last.pt和best.pt5.1创建训练权重路径 设置模型 txt等保存路径
# ----------------------------------5.1 创建训练权重路径 设置模型 txt等保存路径----------------------------------
# Directories
w = save_dir / 'weights' # 权重保存路径
(w.parent if evolve else w).mkdir(parents=True, exist_ok=True) # 新建文件夹
last, best = w / 'last.pt', w / 'best.pt' # 保存训练结果 last.pt和best.pt5.2读取超参数配置文件
# ----------------------------------5.2 读取超参数配置文件----------------------------------
# Hyperparameters
if isinstance(hyp, str): # 判断hyp是字典还是字符串
with open(hyp, errors='ignore') as f: # 若字符串(路径)，则加载超参数为字典
hyp = yaml.safe_load(f) # load hyps dict 加载yaml超参数文件
LOGGER.info(colorstr('hyperparameters: ') + ', '.join(f'{k}={v}' for k, v in hyp.items())) # 打印5.3设置参数保存路径
# ----------------------------------5.3 设置参数保存路径----------------------------------
# Save run settings
with open(save_dir / 'hyp.yaml', 'w') as f: # 保存超参数为yaml配置文件
yaml.safe_dump(hyp, f, sort_keys=False) # sefe_dump将yaml文件序列化
with open(save_dir / 'opt.yaml', 'w') as f: # 保存命令行参数为yaml配置文件
yaml.safe_dump(vars(opt), f, sort_keys=False) # vars是将namespace数据转换为字典
data_dict = None # 定义数据字典5.4加载日志信息
# ----------------------------------5.4 加载日志信息----------------------------------
# Loggers
"""
设置wandb和tb两种可视化工具
"""
if RANK in [-1, 0]: # 如果编号 -1/0
loggers = Loggers(save_dir, weights, opt, hyp, LOGGER) # 初始化日志记录器
if loggers.wandb:
data_dict = loggers.wandb.data_dict
if resume: # 如果训练终端，再读取一次参数
weights, epochs, hyp = opt.weights, opt.epochs, opt.hyp
# Register actions
for k in methods(loggers):
callbacks.register_action(k, callback=getattr(loggers, k)) # 将日志记录器中的方法与字符串绑定5.5加载其他参数
# ----------------------------------5.5 加载其他参数----------------------------------
# Config
"""
画图开关，cuda，随机种子，读取数据集相关yaml文件
"""
plots = not evolve # s师傅绘制训练 测试图片
cuda = device.type != 'cpu'
init_seeds(1 + RANK) # 设置随机种子
# 加载数据配置信息
with torch_distributed_zero_first(LOCAL_RANK): # 同步所有进程
data_dict = data_dict or check_dataset(data) # 检查数据集
train_path, val_path = data_dict['train'], data_dict['val'] # 训练数据集，测试集图片路径
nc = 1 if single_cls else int(data_dict['nc']) # 数据集种类数量
names = ['item'] if single_cls and len(data_dict['names']) != 1 else data_dict['names'] # 类别所有名字
assert len(names) == nc, f'{len(names)} names found for nc={nc} dataset in {data}' # 判断类别长度和文件是否对应
is_coco = isinstance(val_path, str) and val_path.endswith('coco/val2017.txt') # 当前数据集是否是coco数据集5.6加载网络训练模型
# ----------------------------------5.6 加载网络训练模型----------------------------------
# Model
check_suffix(weights, '.pt') # 判断文件后缀是否是.pt
pretrained = weights.endswith('.pt') # 加载预训练权重
if pretrained:
# 使用预训练 torch_distributed_zero_first是用于同步不同进程对数据读取的上下文管理器
with torch_distributed_zero_first(LOCAL_RANK):
# 如果本地不存在就从google云盘下载
weights = attempt_download(weights) # download if not found locally
ckpt = torch.load(weights, map_location=device) # 加载模型和参数
model = Model(cfg or ckpt['model'].yaml, ch=3, nc=nc, anchors=hyp.get('anchors')).to(device) # 加载模型
exclude = ['anchor'] if (cfg or hyp.get('anchors')) and not resume else [] # 获取anchor 若cfg噶一gto不为空且不终端训练，设置exclude=anchor
csd = ckpt['model'].float().state_dict() # 将预训练模型中的所有参数保存下来给csd
csd = intersect_dicts(csd, model.state_dict(), exclude=exclude) # 判断参数多少相同，筛选字典中键值对，把exclude删除
model.load_state_dict(csd, strict=False) # 模型创建
LOGGER.info(f'Transferred {len(csd)}/{len(model.state_dict())} items from {weights}') # 显示加载与训练权重的键值对和创建模型的键值对 如果pre=true则减少两个键值对
else:
model = Model(cfg, ch=3, nc=nc, anchors=hyp.get('anchors')).to(device) # 直接加载模型 ch为输入图片通道5.7冻结层
# ----------------------------------5.7 冻结层---------------------------------
"""
其作用是冰冻一些层，使得这些层再反向传播时不再更新权重 需要冻结的层可以卸载freeze列表中
"""
# Freeze
freeze = [f'model.{x}.' for x in range(freeze)] # layers to freeze
# 遍历所有层
for k, v in model.named_parameters():
v.requires_grad = True # 把所有层参数设置梯度
if any(x in k for x in freeze): # 判断是否冻结
LOGGER.info(f'freezing {k}')
v.requires_grad = False # 冻结训练的层梯度不进行更新5.8设置训练和测试图片尺寸
# ----------------------------------5.8 设置训练和测试图片尺寸---------------------------------
# Image size
gs = max(int(model.stride.max()), 32) # 获取模型总步长和图片分辨率
imgsz = check_img_size(opt.imgsz, gs, floor=gs * 2) # 检查图片是否能被32整除5.9设置一次训练所选取的样本数
# ----------------------------------5.9 设置一次训练所选取的样本数--------------------------------
# Batch size
if RANK == -1 and batch_size == -1: # single-GPU only, estimate best batch size
batch_size = check_train_batch_size(model, imgsz) #确保batch size满足要求5.10设置优化器
# ----------------------------------5.10 设置优化器---------------------------------
# Optimizer
nbs = 64 # nbs是nominal batch size ，名义上的batch_size 命令行bs是16
accumulate = max(round(nbs / batch_size), 1) # 累计次数 计算opt中bs多少批才能达到nbs水平
hyp['weight_decay'] *= batch_size * accumulate / nbs # 根据accumulate设置权重衰减参数 防止过拟合
LOGGER.info(f"Scaled weight_decay = {hyp['weight_decay']}") # 打印缩放后的权重衰减超参数
"""
因为bs发生变化，所偶权重参数也要进行相应缩放
"""
g0, g1, g2 = [], [], [] # 将模型分为三组 BN的weight 卷积层的weight biases 进行分组优化
"""
g0表示归一化层中所有权重参数
g1表示卷积层中所有权重参数
g2表示所有的偏置参数
"""
for v in model.modules(): # 遍历网络中的所有层，每遍历一层向更深的层遍历
if hasattr(v, 'bias') and isinstance(v.bias, nn.Parameter): # 指定对象中是否有给定的属性
g2.append(v.bias) # 将层的bias添加至g2
if isinstance(v, nn.BatchNorm2d): # weight (no decay)
g0.append(v.weight) # 将BN层的权重添加至g0 未经过权重衰减
elif hasattr(v, 'weight') and isinstance(v.weight, nn.Parameter): # weight (with decay)
g1.append(v.weight) # 将层的weight添加至g1 经过了权重衰减 这里是指卷积层
# 选用优化器，并设置g0(bn)组的优化方法
"""
首先判断是否使用adam优化器，初始参数为批归一化层中的参数，如果不适用adam优化器，则直接使用SGD随机梯度下降
然后将g1 g2添加至优化器
"""
if opt.adam:
optimizer = Adam(g0, lr=hyp['lr0'], betas=(hyp['momentum'], 0.999)) # adjust beta1 to momentum
else:
optimizer = SGD(g0, lr=hyp['lr0'], momentum=hyp['momentum'], nesterov=True)
# 将卷积层的参数添加至优化器，并做权重衰减
optimizer.add_param_group({'params': g1, 'weight_decay': hyp['weight_decay']}) # add_param_group添加一个参数组，同一个优化器可以更新很多个参数组，不用的参数组可以设置不同的超参数
optimizer.add_param_group({'params': g2}) # add g2 (biases)# 将所有的bias添加至优化器
LOGGER.info(f"{colorstr('optimizer:')} {type(optimizer).__name__} with parameter groups "
f"{len(g0)} weight, {len(g1)} weight (no decay), {len(g2)} bias") # 打印优化信息
del g0, g1, g2 # 在内存中删除g0 g1 g2释放空间5.11设置学习率衰减方式
# ----------------------------------5.11 设置学习率衰减方式---------------------------------
# Scheduler
"""
yolov5设置两种学习率策略 线性学习率和余弦退火率
"""
if opt.linear_lr: # 线性学习率
lf = lambda x: (1 - x / (epochs - 1)) * (1.0 - hyp['lrf']) + hyp['lrf'] # linear
else: # 余弦退火率
lf = one_cycle(1, hyp['lrf'], epochs) # cosine 1->hyp['lrf']
scheduler = lr_scheduler.LambdaLR(optimizer, lr_lambda=lf) # 可视化 scheduler5.12训练前最后准备
# ----------------------------------5.12 训练前最后准备---------------------------------
"""
EMA 断点续训 迭代次数的架子啊 DP SyncBatchNorm
"""
# EMA
"""
EMA为指数加权平均或滑动平均。其将前面模型训练权重，偏差进行保存，在本次训练过程中，假设为第n次
将第一次到第n-1次以指数权重进行加和，再加上本次的结果，且越远离第n次，指数系数越大，其所占的比重越小。
"""
ema = ModelEMA(model) if RANK in [-1, 0] else None # 指数平均加权或滑动平均,考虑历史值对参数的影响，目的使收敛的曲线更加平滑
# Resume
"""
断点续训。可以理解为把上次中断结束时的模型，作为新的预训练模型，然后从中获取上次训练时的参数
并恢复训练状态。·epoch迭代次数。1个epoch等于使用训练集中的全部样本训练一次，epoch的大小
跟迭代次数有着密切的关系，通常在迭代次数处于2000-3000之间损失已经处于平稳。
"""
start_epoch, best_fitness = 0, 0.0
if pretrained: # 如果有预训练
# Optimizer 加载优化器与best_fitness
if ckpt['optimizer'] is not None:
optimizer.load_state_dict(ckpt['optimizer']) # 将预训练模型中的参数加载到优化器
best_fitness = ckpt['best_fitness'] # 预训练模型中最佳fitnees 保存为best.pt bf=0.0*p+0.0*r+0.1*mAP+0.9*mAP@0.5:0.95
# EMA
# 加载ema模型和updates参数 保持ema的平滑性
if ema and ckpt.get('ema'):
ema.ema.load_state_dict(ckpt['ema'].float().state_dict())
ema.updates = ckpt['updates']
# Epochs 加载训练的迭代次数
start_epoch = ckpt['epoch'] + 1 # 从上次的epoch接着训练
if resume:
assert start_epoch > 0, f'{weights} training to {epochs} epochs is finished, nothing to resume.'
if epochs < start_epoch:# 如果新epoch小于加载的epoch 则新epoch为需要再训练的轮次数而不是总的论次数
# 如果训练次数小于开始论次数 则打印日志恢复训练
LOGGER.info(f"{weights} has been trained for {ckpt['epoch']} epochs. Fine-tuning for {epochs} more epochs.")
epochs += ckpt['epoch'] # 计算新的轮次
del ckpt, csd # 释放内存
# DP mode
"""
DP mode。DataParallel单机多卡模式自动将数据切分 load 到相应 GPU,将模型复制到相应 GPU,进行正向传播计算梯度并汇总。
值得注意的是，模型和数据都需要先导入进GPU中，DataParallel 的module才能对其进行处理，否则会报错
s使用单机多卡训练一般不使用
rank为进程编号 如果rank=-1&&count?1 则使用DataParallel单机多卡模式 效果并不好
rank=-1&&count=1 不会进行分布式
"""
if cuda and RANK == -1 and torch.cuda.device_count() > 1:
LOGGER.warning('WARNING: DP not recommended, use torch.distributed.run for best DDP Multi-GPU results.\n'
'See Multi-GPU Tutorial at https://github.com/ultralytics/yolov5/issues/475 to get started.')
model = torch.nn.DataParallel(model)
# SyncBatchNorm 多卡归一化
"""
SyncBatchNorm。SyncBatchNorm主要用于解决多卡归一化同步问题，每张卡单独计算均值
然后同步，得到全局均值。用全局均值计算每张卡的方差，然后同步即可得到全局方差，但两次会消耗时间挺长。
"""
if opt.sync_bn and cuda and RANK != -1: # 多卡训练，把不同卡的数据做个同步
model = torch.nn.SyncBatchNorm.convert_sync_batchnorm(model).to(device)
LOGGER.info('Using SyncBatchNorm()')5.13创建数据集
# ----------------------------------5.13 创建数据集---------------------------------
# Trainloader
# 返回一个训练数据加载器，一个数据集对象。训练数据加载器是一个可迭代的对象 可以通过for循环加载1个batch_size的数据
# 数据集对象包括数据集的一些参数，包括标签值 所有训练数据路径 每张图片的尺寸等
# create_dataloader得到两个对象train_loader训练数据加载器 dataset数据集对象
train_loader, dataset = create_dataloader(train_path, imgsz, batch_size // WORLD_SIZE, gs, single_cls,
hyp=hyp, augment=True, cache=opt.cache, rect=opt.rect, rank=LOCAL_RANK,
workers=workers, image_weights=opt.image_weights, quad=opt.quad,
prefix=colorstr('train: '), shuffle=True)
mlc = int(np.concatenate(dataset.labels, 0)[:, 0].max()) # 标签编号最大值
nb = len(train_loader) # 类别总数
# 如果小于类别则表示有问题
assert mlc < nc, f'Label class {mlc} exceeds nc={nc} in {data}. Possible class labels are 0-{nc - 1}'
# Process 0 验证数据集加载
if RANK in [-1, 0]:
val_loader = create_dataloader(val_path, imgsz, batch_size // WORLD_SIZE * 2, gs, single_cls,
hyp=hyp, cache=None if noval else opt.cache, rect=True, rank=-1,
workers=workers, pad=0.5,
prefix=colorstr('val: '))[0]
# 加载验证集数据加载器
if not resume: # 如果没有使用 resume
labels = np.concatenate(dataset.labels, 0) # 统计dataset的label信息
# c = torch.tensor(labels[:, 0]) # classes
# cf = torch.bincount(c.long(), minlength=nc) + 1. # frequency
# model._initialize_biases(cf.to(device))
if plots: # 画出标签信息
plot_labels(labels, names, save_dir)
5.14 计算anchor
# ----------------------------------5.14 计算anchor---------------------------------
# Anchors
"""
计算anchor与数据集标签的长宽比
"""
if not opt.noautoanchor:
check_anchors(dataset, model=model, thr=hyp['anchor_t'], imgsz=imgsz)
"""
check_anchors 计算默认锚点anchor与数据集标签的长宽比值，标签的长h宽w与anchor的h_a w_a的壁纸，如果标签框满足条件总数的99%，则根据k-mean算法聚类新的锚点
dataset是训练集
thr=hyp['anchor_t'] 是从配置文件hpy.scratch.ua,;第七的超参数 其中anchor_t当配置文件中的anchor计算bpr(best possible recall)大于0.98才计算新anchor
小于0.98 程序会根据数据集的label自动学习anchor的尺寸
"""
model.half().float() # 半进度
callbacks.run('on_pretrain_routine_end') # 每个训练前例行程序结束时出发所有已注册的回调
# DDP mode
if cuda and RANK != -1:
model = DDP(model, device_ids=[LOCAL_RANK], output_device=LOCAL_RANK)5.15初始化训练需要的模型参数
# ----------------------------------5.15 初始化训练需要的模型参数---------------------------------
# Model attributes
nl = de_parallel(model).model[-1].nl # 根据自己数据集的类别和网络FPN层设置各个损失稀疏
hyp['box'] *= 3 / nl # box为预测框损失
hyp['cls'] *= nc / 80 * 3 / nl # cls为分类损失
hyp['obj'] *= (imgsz / 640) ** 2 * 3 / nl # obj为置信度损失
hyp['label_smoothing'] = opt.label_smoothing # 标签平滑
model.nc = nc # 设置模型的类别，然后将检测的类别个数保存到模型
model.hyp = hyp # 设置模型超参数，然后保存到模型
model.class_weights = labels_to_class_weights(dataset.labels, nc).to(device) * nc # 从训练样本标签得到类别权重，然后将类别权重保存至模型
model.names = names # 获取类别的名字，然后将分类标签保存到模型5.16 训练前热身
# ----------------------------------5.16 训练前热身---------------------------------
# Start training
t0 = time.time() #获取当前时间
nw = max(round(hyp['warmup_epochs'] * nb), 1000) # 获取热身训练的迭代次数
# nw = min(nw, (epochs - start_epoch) / 2 * nb) # limit warmup to < 1/2 of training
last_opt_step = -1
# 初始化mAP和results
maps = np.zeros(nc) # mAP per class
results = (0, 0, 0, 0, 0, 0, 0) # P, R, mAP@.5, mAP@.5-.95, val_loss(box, obj, cls)
scheduler.last_epoch = start_epoch - 1 # 设置学习率衰减所进行到的伦茨，即使打断训练，使用resume接着训练也能正常衔接之前的训练进行学习率衰减
scaler = amp.GradScaler(enabled=cuda) # 设置amp混合精度训练
stopper = EarlyStopping(patience=opt.patience) # 早停止 不更新结束训练
compute_loss = ComputeLoss(model) # init loss class # 初始化损失函数
LOGGER.info(f'Image sizes {imgsz} train, {imgsz} val\n' # 打印训练和测试输入图片分辨率
f'Using {train_loader.num_workers * WORLD_SIZE} dataloader workers\n' # 加载图片时调用cu进程数
f"Logging results to {colorstr('bold', save_dir)}\n" # 日志目录
f'Starting training for {epochs} epochs...') # 从哪个eppch开始训练5.17开始训练
# ----------------------------------5.17 开始训练---------------------------------
"""
1.通过model.train进入训练阶段
2.释放开始训练命令和更新权重
3.分布式训练设置以及控制台显示
4.分批加载数据和热身训练
5.正向传播 反向传播 更新参数
6.打印相关信息 做权重衰减 进入下一轮训练
7.训练完成保存模型
8.打印信息并释放显存
"""5.17.1通过model.train进入训练阶段
# *****************************1.通过model.train进入训练阶段***********************************
model.train()5.17.2释放开始训练命令和更新权重
# *****************************2.释放开始训练命令和更新权重***********************************
# Update image weights (optional, single-GPU only)
if opt.image_weights: # 获取图片的权重
# 经过一轮训练 若哪一类的精度第那么这个类就会肥胖一个较高的权重，来增加它被采样的概率
cw = model.class_weights.cpu().numpy() * (1 - maps) ** 2 / nc # class weights
# 将计算出的权重换算到图片的维度，将类别的权重换算为图片的权重
iw = labels_to_image_weights(dataset.labels, nc=nc, class_weights=cw) # image weights
# 通过 random.choices生成图片索引indices从而进行采样，这时图像会包含一些难识别的样本
dataset.indices = random.choices(range(dataset.n), weights=iw, k=dataset.n) # rand weighted idx5.17.3分布式训练设置以及控制台显示
# *****************************3.分布式训练设置以及控制台显示***********************************
mloss = torch.zeros(3, device=device) # mean losses
# DDP模式打乱数据，并且dpp.sampler的随机采样是基于epoch+seed作为随机种子，每次都不同
if RANK != -1:
train_loader.sampler.set_epoch(epoch)
pbar = enumerate(train_loader) # 将训练数据迭代器做枚举，可以遍历出索引值
LOGGER.info(('\n' + '%10s' * 7) % ('Epoch', 'gpu_mem', 'box', 'obj', 'cls', 'labels', 'img_size')) #训练参数表头
if RANK in [-1, 0]:
pbar = tqdm(pbar, total=nb, ncols=NCOLS, bar_format='{l_bar}{bar:10}{r_bar}{bar:-10b}') # 通过tqdm创建进度条，方便训练信息展示
optimizer.zero_grad() # 将优化器中所有参数梯度设为05.17.4分批加载数据和热身训练
# *****************************4.分批加载数据和热身训练***********************************
for i, (imgs, targets, paths, _) in pbar: # batch -------------------------------------------------------------
ni = i + nb * epoch # 计算当前迭代次数
imgs = imgs.to(device, non_blocking=True).float() / 255 # 将图片加载至设备并做归一化
# Warmup 热身训练
if ni <= nw:
xi = [0, nw] # x interp
# compute_loss.gr = np.interp(ni, xi, [0.0, 1.0]) # iou loss ratio (obj_loss = 1.0 or iou)
accumulate = max(1, np.interp(ni, xi, [1, nbs / batch_size]).round())
for j, x in enumerate(optimizer.param_groups): # 遍历优化器中所有参数组
# bias lr falls from 0.1 to lr0, all other lrs rise from 0.0 to lr0
x['lr'] = np.interp(ni, xi, [hyp['warmup_bias_lr'] if j == 2 else 0.0, x['initial_lr'] * lf(epoch)])
"""
bias的学习率从0.1下降到lr*lf(epoch)
其他参数学习率从0增加到lr*lf(epoch)
lf为上面设置的余弦退火衰减函数
"""
if 'momentum' in x:
x['momentum'] = np.interp(ni, xi, [hyp['warmup_momentum'], hyp['momentum']])
# Multi-scale 多尺度训练 从imagsz(默认尺寸)*0.5 imgsz*1.5+gs(模型最大stride=32)随机选取尺寸
if opt.multi_scale:
sz = random.randrange(imgsz * 0.5, imgsz * 1.5 + gs) // gs * gs # 随机改变图片尺寸
sf = sz / max(imgs.shape[2:]) # scale factor
if sf != 1:
ns = [math.ceil(x * sf / gs) * gs for x in imgs.shape[2:]] # new shape (stretched to gs-multiple)
imgs = nn.functional.interpolate(imgs, size=ns, mode='bilinear', align_corners=False) # 下采样5.17.5正向传播 反向传播 更新参数
# *****************************5.前向传播 反向传播 更新参数***********************************
# Forward 前向传播
with amp.autocast(enabled=cuda):
pred = model(imgs) # 将图片送入网络得到一个预测结果
# loss为总损失 loss_items是一个损失元组
loss, loss_items = compute_loss(pred, targets.to(device)) # 计算损失 包括分类，objectness，框的损失
if RANK != -1:
loss *= WORLD_SIZE # DDP训练，平均不同gpu之间的梯度
if opt.quad:
loss *= 4. # 如果采用collate-Fn4取出的mosaic4数据loss也要翻倍*4
# Backward 反向传播
scaler.scale(loss).backward() # scale为使用自动混合京都运算
# Optimize 模型会对多批数据进行累计，累积到一定次数更新参数，
if ni - last_opt_step >= accumulate:
scaler.step(optimizer) # 参数更新 首先把梯度值unscale返回 如果梯度不是infs/NaNs调用optimizer.step更新权重 否则不更新权重
scaler.update() # 更新参数
optimizer.zero_grad() # 完成一次累计后梯度清零
if ema:
ema.update(model)
last_opt_step = ni # 计数5.17.6打印相关信息 做权重衰减 进入下一轮训练
*****************************6.打印相关信息，做权重衰减***********************************
# Log 打印相关信息
if RANK in [-1, 0]:
# 打印显存 伦茨 损失 target数量 图片尺寸等
mloss = (mloss * i + loss_items) / (i + 1) # update mean losses
mem = f'{torch.cuda.memory_reserved() / 1E9 if torch.cuda.is_available() else 0:.3g}G' # 计算显存
pbar.set_description(('%10s' * 2 + '%10.4g' * 5) % (
f'{epoch}/{epochs - 1}', mem, *mloss, targets.shape[0], imgs.shape[-1])) # 进度条显示 #将日志记录并生成一些记录图片
callbacks.run('on_train_batch_end', ni, model, imgs, targets, paths, plots, opt.sync_bn)
# end batch ------------------------------------------------------------------------------------------------
# Scheduler 学习率衰减
lr = [x['lr'] for x in optimizer.param_groups] # for loggers
scheduler.step() # 根据前面设置的学习率更新策略更新学习率
if RANK in [-1, 0]:
# mAP
callbacks.run('on_train_epoch_end', epoch=epoch)
ema.update_attr(model, include=['yaml', 'nc', 'hyp', 'names', 'stride', 'class_weights']) # model属性给ema
final_epoch = (epoch + 1 == epochs) or stopper.possible_stop# 判断当前epoch是否最后一轮
if not noval or final_epoch: #
"""
测试使用的是ema（指数移动平均 对模型的参数做平均）的模型
results: [1] Precision 所有类别的平均precision(最大f1时)
[1] Recall 所有类别的平均recall
[1] map@0.5 所有类别的平均mAP@0.5
[1] map@0.5:0.95 所有类别的平均mAP@0.5:0.95
[1] box_loss 验证集回归损失, obj_loss 验证集置信度损失, cls_loss 验证集分类损失
maps: [80] 所有类别的mAP@0.5:0.95
"""
results, maps, _ = val.run(data_dict,
batch_size=batch_size // WORLD_SIZE * 2,# 数据集配置文件地址 包含数据集的路径、类别个数、类名、下载地址等信息
imgsz=imgsz, # 要保证batch_size能整除卡数
model=ema.ema,
single_cls=single_cls,# 是否是单类数据集
dataloader=val_loader,
save_dir=save_dir,# 保存地址 runs/train/expn
plots=False,# 是否可视化
callbacks=callbacks,
compute_loss=compute_loss)# 损失函数(train)
# Update best mAP
fi = fitness(np.array(results).reshape(1, -1)) # fi: [P, R, mAP@.5, mAP@.5-.95]的一个加权值 = 0.1*mAP@.5 + 0.9*mAP@.5-.95
if fi > best_fitness: # 当前fi大于最佳的
best_fitness = fi # 更新
log_vals = list(mloss) + list(results) + lr #保存验证结果
callbacks.run('on_fit_epoch_end', log_vals, epoch, best_fitness, fi) # 保存验证数据5.17.7训练完成保存模型
# *****************************7.保存模型***********************************
# Save model
"""
保存带checkpoint的模型用于inference或resuming training
保存模型, 还保存了epoch, results, optimizer等信息
optimizer将不会在最后一轮完成后保存
model保存的是EMA的模型
"""
if (not nosave) or (final_epoch and not evolve): # if save
# 将打钱训练过程中的所有参数赋值给ckpt
ckpt = {'epoch': epoch,
'best_fitness': best_fitness,
'model': deepcopy(de_parallel(model)).half(),
'ema': deepcopy(ema.ema).half(),
'updates': ema.updates,
'optimizer': optimizer.state_dict(),
'wandb_id': loggers.wandb.wandb_run.id if loggers.wandb else None,
'date': datetime.now().isoformat()}
# Save last, best and delete
torch.save(ckpt, last) # 保存每轮的模型
if best_fitness == fi: # 如果是最佳的模型
torch.save(ckpt, best)
if (epoch > 0) and (opt.save_period > 0) and (epoch % opt.save_period == 0):
torch.save(ckpt, w / f'epoch{epoch}.pt') # 保存模型
del ckpt # 释放内存
callbacks.run('on_model_save', last, epoch, final_epoch, best_fitness, fi) # 保存到日志
# Stop Single-GPU 停止单卡训练
if RANK == -1 and stopper(epoch=epoch, fitness=fi):
break
# Stop DDP TODO: known issues shttps://github.com/ultralytics/yolov5/pull/4576
# stop = stopper(epoch=epoch, fitness=fi)
# if RANK == 0:
# dist.broadcast_object_list([stop], 0) # broadcast 'stop' to all ranks
# Stop DPP
# with torch_distributed_zero_first(RANK):
# if stop:
# break # must break all DDP ranks
# end epoch ----------------------------------------------------------------------------------------------------
# end training -----------------------------------------------------------------------------------------------------5.17.8打印信息并释放显存
# *****************************8.打印信息并释放显存***********************************
if RANK in [-1, 0]:
LOGGER.info(f'\n{epoch - start_epoch + 1} epochs completed in {(time.time() - t0) / 3600:.3f} hours.')# 停止训练，向控制台输出信息
for f in last, best:
if f.exists():
strip_optimizer(f) # 训练完成后 讲过optimizer从ckpt中删除
if f is best:
LOGGER.info(f'\nValidating {f}...') # 把最好的模型在验证集跑一边 并绘图
results, _, _ = val.run(data_dict,
batch_size=batch_size // WORLD_SIZE * 2,
imgsz=imgsz,
model=attempt_load(f, device).half(),
iou_thres=0.65 if is_coco else 0.60, # best pycocotools results at 0.65
single_cls=single_cls,
dataloader=val_loader,
save_dir=save_dir,
save_json=is_coco,
verbose=True,
plots=True,
callbacks=callbacks,
compute_loss=compute_loss) # val best model with plots
if is_coco: # 如果hi是coco数据集
callbacks.run('on_fit_epoch_end', list(mloss) + list(results) + lr, epoch, best_fitness, fi)
# 记录训练终止时日志
callbacks.run('on_train_end', last, best, plots, epoch, results)
LOGGER.info(f"Results saved to {colorstr('bold', save_dir)}")
torch.cuda.empty_cache() # 释放显存
return results6.设置OPT
# ----------------------------------6 opt---------------------------------
def parse_opt(known=False):
parser = argparse.ArgumentParser()
# weights: 预训练权重文件
parser.add_argument('--weights', type=str, default=ROOT / 'pretrained/yolov5s.pt', help='initial weights path')
# cfg: 训练模型 模型配置文件 网络结构
parser.add_argument('--cfg', type=str, default=ROOT / 'models/yolov5s.yaml', help='model.yaml path')
# data: 训练路径，包括训练集，验证集，测试集的路径，类别总数等
parser.add_argument('--data', type=str, default=ROOT / 'data/fire_data.yaml', help='dataset.yaml path')
# hpy: 超参数设置文件（lr/sgd/mixup）./data/hyps/下面有5个超参数设置文件，每个文件的超参数初始值有细微区别，用户可以根据自己的需求选择其中一个
parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch.yaml', help='hyperparameters path')
# epochs: 训练轮次， 默认轮次为300次
parser.add_argument('--epochs', type=int, default=300)
# batchsize: 训练批次， 默认bs=16
parser.add_argument('--batch-size', type=int, default=4, help='total batch size for all GPUs, -1 for autobatch')
# imagesize: 设置图片大小, 默认640*640
parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')
# rect: 是否采用矩形训练，默认为False
parser.add_argument('--rect', action='store_true', help='rectangular training')
# resume: 是否接着上次的训练结果，继续训练
parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
# nosave: 不保存模型 默认False(保存) 在./runs/exp*/train/weights/保存两个模型 一个是最后一次的模型 一个是最好的模型
parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
# noval: 最后进行测试, 设置了之后就是训练结束都测试一下， 不设置每轮都计算mAP, 建议不设置
parser.add_argument('--noval', action='store_true', help='only validate final epoch')
# noautoanchor: 不自动调整anchor, 默认False, 自动调整anchor
parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')
# evolve: 参数进化， 遗传算法调参
parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')
# bucket: 谷歌优盘 / 一般用不到
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，默认False
parser.add_argument('--cache', type=str, nargs='?', const='ram', help='--cache images in "ram" (default) or "disk"')
# mage-weights: 使用图片采样策略，默认不使用
parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
# device: 设备选择
parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
# parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
# multi-scale 是否进行多尺度训练
parser.add_argument('--multi-scale', default=True, help='vary img-size +/- 50%%')
# single-cls: 数据集是否多类/默认True
parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
# optimizer: 优化器选择 / 提供了三种优化器
parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')
# sync-bn: 是否使用跨卡同步BN,在DDP模式使用
parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
# dataloader的最大worker数量 （使用多线程加载图片）
parser.add_argument('--workers', type=int, default=0, help='max dataloader workers (per RANK in DDP mode)')
# 训练结果的保存路径
parser.add_argument('--project', default=ROOT / 'runs/train', help='save to project/name')
# 训练结果的文件名称
parser.add_argument('--name', default='exp', help='save to project/name')
# 项目位置是否存在 / 默认是都不存在
parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
# 四元数据加载器: 允许在较低 --img 尺寸下进行更高 --img 尺寸训练的一些好处。
parser.add_argument('--quad', action='store_true', help='quad dataloader')
# cos-lr: 余弦学习率
parser.add_argument('--linear-lr', action='store_true', help='linear LR')
# 标签平滑 / 默认不增强， 用户可以根据自己标签的实际情况设置这个参数，建议设置小一点 0.1 / 0.05
parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
# 早停止耐心次数 / 100次不更新就停止训练
parser.add_argument('--patience', type=int, default=100, help='EarlyStopping patience (epochs without improvement)')
# --freeze冻结训练 可以设置 default = [0] 数据量大的情况下，建议不设置这个参数
parser.add_argument('--freeze', type=int, default=0, help='Number of layers to freeze. backbone=10, all=24')
# --save-period 多少个epoch保存一下checkpoint
parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')
# --local_rank 进程编号 / 多卡使用
parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')
# Weights & Biases arguments
# 在线可视化工具，类似于tensorboard工具
parser.add_argument('--entity', default=None, help='W&B: Entity')
# upload_dataset: 是否上传dataset到wandb tabel(将数据集作为交互式 dsviz表 在浏览器中查看、查询、筛选和分析数据集) 默认False
parser.add_argument('--upload_dataset', action='store_true', help='W&B: Upload dataset as artifact table')
# bbox_interval: 设置界框图像记录间隔 Set bounding-box image logging interval for W&B 默认-1 opt.epochs // 10
parser.add_argument('--bbox_interval', type=int, default=-1, help='W&B: Set bounding-box image logging interval')
# 使用数据的版本
parser.add_argument('--artifact_alias', type=str, default='latest', help='W&B: Version of dataset artifact to use')
# 作用就是当仅获取到基本设置时，如果运行命令中传入了之后才会获取到的其他配置，不会报错；而是将多出来的部分保存起来，留到后面使用
opt = parser.parse_known_args()[0] if known else parser.parse_args()
return opt
7.run函数
# ----------------------------------7. run---------------------------------
def run(**kwargs):
# Usage: import train; train.run(data='coco128.yaml', imgsz=320, weights='yolov5m.pt')
# 执行这个脚本/调用train函数/开启训练
"""
使得支持指令执行脚本 与主函数差不多 为导入时提供
"""
opt = parse_opt(True)
for k, v in kwargs.items():
setattr(opt, k, v) # 属性赋值，属性不存在则创建一个赋值
main(opt)8.main函数
# ----------------------------------8. main---------------------------------
def main(opt, callbacks=Callbacks()):8.1检查分布式训练环境
# ----------------------------------8.1 检查分布式训练环境---------------------------------
# Checks
if RANK in [-1, 0]:
print_args(FILE.stem, opt) # 以彩色方式输出所有训练参数
check_git_status() # 检查github库是否更新8.2判断是否断点续训练
# ----------------------------------8.2 判断是否断点续训练---------------------------------
# Resume
if opt.resume and not check_wandb_resume(opt) and not opt.evolve: # resume an interrupted run
ckpt = opt.resume if isinstance(opt.resume, str) else get_latest_run() # 找到最近的权重文件last.pt
assert os.path.isfile(ckpt), 'ERROR: --resume checkpoint does not exist' # 判断是否是文件，若不是则抛出文件异常
with open(Path(ckpt).parent.parent / 'opt.yaml', errors='ignore') as f: # opt.yaml是训练时的命令行参数问及那
opt = argparse.Namespace(**yaml.safe_load(f)) # 超参数替换，将训练时的命令行参数加载到opt参数对象中
opt.cfg, opt.weights, opt.resume = '', ckpt, True # 设置为‘’ 对应train函数里面的操作 即加载权重时是否加载anchor
LOGGER.info(f'Resuming training from {ckpt}') # 打印从ckpt恢复断点训练信息
else:
# 不适用断点续训，从文件中读取相关参数
opt.data, opt.cfg, opt.hyp, opt.weights, opt.project = \
check_file(opt.data), check_yaml(opt.cfg), check_yaml(opt.hyp), str(opt.weights), str(opt.project) # checks
assert len(opt.cfg) or len(opt.weights), 'either --cfg or --weights must be specified' #如果模型文件和权重文件为空 弹出警告
if opt.evolve:
opt.project = str(ROOT / 'runs/evolve') # 设置心得项目输出目录
opt.exist_ok, opt.resume = opt.resume, False # 将resume传递给exiist_ok
opt.save_dir = str(increment_path(Path(opt.project) / opt.name, exist_ok=opt.exist_ok)) #根据opt.project生成目睹并给opt.save_dir
8.3判断是否分布式训练
# ----------------------------------8.3 判断是否分布式训练---------------------------------
"""
DDP用于单机或多级的多GPU分布式训练，但目前DDP只能在linux使用，
"""
# DDP mode
device = select_device(opt.device, batch_size=opt.batch_size) # 选择程序装载的位置
if LOCAL_RANK != -1: # 当进程内的GPU！=-1 进度DDP
assert torch.cuda.device_count() > LOCAL_RANK, 'insufficient CUDA devices for DDP command' # 用于DDP训练GPU数量不足
assert opt.batch_size % WORLD_SIZE == 0, '--batch-size must be multiple of CUDA device count' # world_size表示全局进程数
assert not opt.image_weights, '--image-weights argument is not compatible with DDP training' # 不能使用图片采样策略
assert not opt.evolve, '--evolve argument is not compatible with DDP training' # 不能使用超参数进化
torch.cuda.set_device(LOCAL_RANK) # 设置装载程序设备
device = torch.device('cuda', LOCAL_RANK) # 保存装载程序谁不
dist.init_process_group(backend="nccl" if dist.is_nccl_available() else "gloo") # 用于多GPU训练模块
8.4判断超参数进化
# ----------------------------------8.4 判断是否超参数进化训练---------------------------------
"""
遗传算法，每次保存最优结果，但至少需要300次
1.若存在evolve.csv 读取文件中训练数据，选择超参进化方式，结果最优的训练数据突变超参数
2.限制超参进化参数hyp在规定范围内
3.使用突变后的超参数进行训练，测试其结果
4.训练结束后，将训练可视化并保存在evolution.csv
遗传算法4个参数：群体大学 进化次数 交叉概率 变异概率
"""
# Train
if not opt.evolve: #判断是否进行进化
train(opt.hyp, opt, device, callbacks) # 直接从train开始
if WORLD_SIZE > 1 and RANK == 0: # 如果全局进程大于1并且rank=0
LOGGER.info('Destroying process group... ') # 日志输出，摧毁进程组
dist.destroy_process_group() # 训练完毕，销毁所有进程
# Evolve hyperparameters (optional)
else:
# 超参数列表范围
meta = {'lr0': (1, 1e-5, 1e-1), # initial learning rate (SGD=1E-2, Adam=1E-3)
'lrf': (1, 0.01, 1.0), # final OneCycleLR learning rate (lr0 * lrf)
'momentum': (0.3, 0.6, 0.98), # SGD momentum/Adam beta1
'weight_decay': (1, 0.0, 0.001), # optimizer weight decay
'warmup_epochs': (1, 0.0, 5.0), # warmup epochs (fractions ok)
'warmup_momentum': (1, 0.0, 0.95), # warmup initial momentum
'warmup_bias_lr': (1, 0.0, 0.2), # warmup initial bias lr
'box': (1, 0.02, 0.2), # box loss gain
'cls': (1, 0.2, 4.0), # cls loss gain
'cls_pw': (1, 0.5, 2.0), # cls BCELoss positive_weight
'obj': (1, 0.2, 4.0), # obj loss gain (scale with pixels)
'obj_pw': (1, 0.5, 2.0), # obj BCELoss positive_weight
'iou_t': (0, 0.1, 0.7), # IoU training threshold
'anchor_t': (1, 2.0, 8.0), # anchor-multiple threshold
'anchors': (2, 2.0, 10.0), # anchors per output grid (0 to ignore)
'fl_gamma': (0, 0.0, 2.0), # focal loss gamma (efficientDet default gamma=1.5)
'hsv_h': (1, 0.0, 0.1), # image HSV-Hue augmentation (fraction)
'hsv_s': (1, 0.0, 0.9), # image HSV-Saturation augmentation (fraction)
'hsv_v': (1, 0.0, 0.9), # image HSV-Value augmentation (fraction)
'degrees': (1, 0.0, 45.0), # image rotation (+/- deg)
'translate': (1, 0.0, 0.9), # image translation (+/- fraction)
'scale': (1, 0.0, 0.9), # image scale (+/- gain)
'shear': (1, 0.0, 10.0), # image shear (+/- deg)
'perspective': (0, 0.0, 0.001), # image perspective (+/- fraction), range 0-0.001
'flipud': (1, 0.0, 1.0), # image flip up-down (probability)
'fliplr': (0, 0.0, 1.0), # image flip left-right (probability)
'mosaic': (1, 0.0, 1.0), # image mixup (probability)
'mixup': (1, 0.0, 1.0), # image mixup (probability)
'copy_paste': (1, 0.0, 1.0)} # segment copy-paste (probability)
with open(opt.hyp, errors='ignore') as f:
hyp = yaml.safe_load(f) # load hyps dict
if 'anchors' not in hyp: # 如果超参数中没有anchor 则设置为3
hyp['anchors'] = 3
opt.noval, opt.nosave, save_dir = True, True, Path(opt.save_dir) # 使用遗传算法时，仅在最后的epoch测试和保存
# ei = [isinstance(x, (int, float)) for x in hyp.values()] # evolvable indices
evolve_yaml, evolve_csv = save_dir / 'hyp_evolve.yaml', save_dir / 'evolve.csv'
if opt.bucket:
os.system(f'gsutil cp gs://{opt.bucket}/evolve.csv {save_dir}') # download evolve.csv if exists
# 迭代次数 默认300
for _ in range(opt.evolve): # generations to evolve
if evolve_csv.exists(): # if evolve.csv 存在
# Select parent(s)
parent = 'single' # 选择进化方式 有: 'single' or 'weighted'
x = np.loadtxt(evolve_csv, ndmin=2, delimiter=',', skiprows=1) # j加载 evolve.txt
n = min(5, len(x)) # 选取至多前五次进化结果
x = x[np.argsort(-fitness(x))][:n] # argsort从小到大排序 fitness为x前4项(p r mAP mAP:0.95)加权
w = fitness(x) - fitness(x).min() + 1E-6 # 根据mp mr mAP50 mAP的加权和作为权重计算hyp权重
if parent == 'single' or len(x) == 1: # 根据不同进化方式获得base hyp
# x = x[random.randint(0, n - 1)] # random selection
x = x[random.choices(range(n), weights=w)[0]] # 根据权重的几率随机挑选适应历史前5的其中一个
elif parent == 'weighted':
x = (x * w.reshape(n, 1)).sum(0) / w.sum() # 对hyp乘上对应的权重融合曾一个hpy 再取平均 /权重和
# Mutate 突变 超参数进化
mp, s = 0.8, 0.2 # 设置图片概率
npr = np.random
npr.seed(int(time.time())) # 根据时间设置随机数种子 伪随机
g = np.array([meta[k][0] for k in hyp.keys()]) # 获取突变初始值(meta三个值中的第一个) meta=[变异初始概率，最低限制，最大限制]
ng = len(meta)
v = np.ones(ng) # 确保其中至少有一个参数超变异了
while all(v == 1): # 设置突变
v = (g * (npr.random(ng) < mp) * npr.randn(ng) * npr.random() * s + 1).clip(0.3, 3.0)
for i, k in enumerate(hyp.keys()): # 将突变添加到base hyp上
hyp[k] = float(x[i + 7] * v[i]) # mutate
# Constrain to limits 限制hpy在规定范围内
for k, v in meta.items():
# hyp是超参数配置文件对象 kv是在元超参数中遍历出来的(是元组)，hyp的v是一个数
hyp[k] = max(hyp[k], v[1]) # 限定最小值 选择二者之间大的，防止hyp值过小
hyp[k] = min(hyp[k], v[2]) # 限定最大值 选二者之间最小的
hyp[k] = round(hyp[k], 5) # 四舍五入到小数点后五位
# 最后得到的值是hyo中的值与meta的最大值之间小的
# Train mutation 使用突变后的超参数 测试结果
results = train(hyp.copy(), opt, device, callbacks)
# Write mutation results
# 将结果写入到results中，并将byp写入到evolve.txt(每一行为一次进化结果)
# 其中evolve.txt每一行为(p,r,mAP.F1,test_losses(GIOU,obj,cls))之后为hyp 最后将hyp保存到yaml文件中
print_mutation(results, hyp.copy(), save_dir, opt.bucket)
# Plot results 结果可视化
plot_evolve(evolve_csv)
LOGGER.info(f'Hyperparameter evolution finished\n'
f"Results saved to {colorstr('bold', save_dir)}\n"
f'Use best hyperparameters example: $ python train.py --hyp {evolve_yaml}')9.整体代码
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
"""
Train a YOLOv5 model on a custom dataset
Usage:
$ python path/to/train.py --data coco128.yaml --weights yolov5s.pt --img 640
"""
# ----------------------------------1.导入Python库----------------------------------
import argparse # 解析命令行参数模块
import math # 数学公式模块
import os # 与操作系统进行交互的模块 包含文件路径操作和解析
import random # 生成随机数模块
import sys # sys系统模块 包含了与Python解释器和它的环境有关的函数
import time # 时间模块 更底层
from copy import deepcopy # 深度拷贝模块
from datetime import datetime # datetime模块能以更方便的格式显示日期或对日期进行运算。
from pathlib import Path # Path将str转换为Path对象 使字符串路径易于操作的模块
import numpy as np # numpy数组操作模块
import torch # 引入torch
import torch.distributed as dist # 分布式训练模块
import torch.nn as nn # 对torch.nn.functional的类的封装 有很多和torch.nn.functional相同的函数
import yaml # yaml是一种直观的能够被电脑识别的的数据序列化格式，容易被人类阅读，并且容易和脚本语言交互。一般用于存储配置文件。
from torch.cuda import amp # PyTorch amp自动混合精度训练模块
from torch.nn.parallel import DistributedDataParallel as DDP # 多卡训练模块
from torch.optim import SGD, Adam, lr_scheduler # tensorboard模块
from tqdm import tqdm # 进度条模块
# ----------------------------------2.获取文件路径----------------------------------
FILE = Path(__file__).resolve()
ROOT = FILE.parents[0] # YOLOv5 root directory
if str(ROOT) not in sys.path:
sys.path.append(str(ROOT)) # add ROOT to PATH
ROOT = Path(os.path.relpath(ROOT, Path.cwd())) # relative
# ----------------------------------3.自定义模块----------------------------------
import val # 测试集
from models.experimental import attempt_load # 实验性质代码 包括MixConv2d 跨层权重Sum
from models.yolo import Model # yolo特点模块 包括BaseModel DetectionModel ClassificationModel parse_model
from utils.autoanchor import check_anchors # 定义自动生成anchor方法
from utils.autobatch import check_train_batch_size #自动生成批量大小的方法
from utils.callbacks import Callbacks # 回调函数 主要为logger服务
from utils.datasets import create_dataloader # dataset和dataloader代码
from utils.downloads import attempt_download # google云盘内容下载
from utils.general import (LOGGER, NCOLS, check_dataset, check_file, check_git_status, check_img_size,
check_requirements, check_suffix, check_yaml, colorstr, get_latest_run, increment_path,
init_seeds, intersect_dicts, labels_to_class_weights, labels_to_image_weights, methods,
one_cycle, print_args, print_mutation, strip_optimizer) #常用工具函数
from utils.loggers import Loggers # 打印日志
from utils.loggers.wandb.wandb_utils import check_wandb_resume
from utils.loss import ComputeLoss # 存放损失函数
from utils.metrics import fitness # 模型验证指标 ap混淆矩阵等
from utils.plots import plot_evolve, plot_labels # Annotator类 可以在图像上绘制矩形框和标注西悉尼
from utils.torch_utils import EarlyStopping, ModelEMA, de_parallel, select_device, torch_distributed_zero_first # 定义了与Pytorch有关工具函数 选择设备 同步时间等
# ----------------------------------4.分布式训练初始化(多GPU)----------------------------------
"""
查考这两个环境变量，rank和local_rank区别在于前者用于进程间通讯， 后者用于本地设备分配
"""
LOCAL_RANK = int(os.getenv('LOCAL_RANK', -1)) #本地序列号，这个worker是这台机器上第几个worker
RANK = int(os.getenv('RANK', -1)) # 进程序号，这个Worker是全局第几个worker
WORLD_SIZE = int(os.getenv('WORLD_SIZE', 1)) # 总共有几个worker
# ----------------------------------5.train----------------------------------
def train(hyp, # path/to/hyp.yaml or hyp dictionary
opt,
device,
callbacks
):
save_dir, epochs, batch_size, weights, single_cls, evolve, data, cfg, resume, noval, nosave, workers, freeze, = \
Path(opt.save_dir), opt.epochs, opt.batch_size, opt.weights, opt.single_cls, opt.evolve, opt.data, opt.cfg, \
opt.resume, opt.noval, opt.nosave, opt.workers, opt.freeze
# ----------------------------------5.1 创建训练权重路径 设置模型 txt等保存路径----------------------------------
# Directories
w = save_dir / 'weights' # 权重保存路径
(w.parent if evolve else w).mkdir(parents=True, exist_ok=True) # 新建文件夹
last, best = w / 'last.pt', w / 'best.pt' # 保存训练结果 last.pt和best.pt
# ----------------------------------5.2 读取超参数配置文件----------------------------------
# Hyperparameters
if isinstance(hyp, str): # 判断hyp是字典还是字符串
with open(hyp, errors='ignore') as f: # 若字符串(路径)，则加载超参数为字典
hyp = yaml.safe_load(f) # load hyps dict 加载yaml超参数文件
LOGGER.info(colorstr('hyperparameters: ') + ', '.join(f'{k}={v}' for k, v in hyp.items())) # 打印
# ----------------------------------5.3 设置参数保存路径----------------------------------
# Save run settings
with open(save_dir / 'hyp.yaml', 'w') as f: # 保存超参数为yaml配置文件
yaml.safe_dump(hyp, f, sort_keys=False) # sefe_dump将yaml文件序列化
with open(save_dir / 'opt.yaml', 'w') as f: # 保存命令行参数为yaml配置文件
yaml.safe_dump(vars(opt), f, sort_keys=False) # vars是将namespace数据转换为字典
data_dict = None # 定义数据字典
# ----------------------------------5.4 加载日志信息----------------------------------
# Loggers
"""
设置wandb和tb两种可视化工具
"""
if RANK in [-1, 0]: # 如果编号 -1/0
loggers = Loggers(save_dir, weights, opt, hyp, LOGGER) # 初始化日志记录器
if loggers.wandb:
data_dict = loggers.wandb.data_dict
if resume: # 如果训练终端，再读取一次参数
weights, epochs, hyp = opt.weights, opt.epochs, opt.hyp
# Register actions
for k in methods(loggers):
callbacks.register_action(k, callback=getattr(loggers, k)) # 将日志记录器中的方法与字符串绑定
# ----------------------------------5.5 加载其他参数----------------------------------
# Config
"""
画图开关，cuda，随机种子，读取数据集相关yaml文件
"""
plots = not evolve # s师傅绘制训练 测试图片
cuda = device.type != 'cpu'
init_seeds(1 + RANK) # 设置随机种子
# 加载数据配置信息
with torch_distributed_zero_first(LOCAL_RANK): # 同步所有进程
data_dict = data_dict or check_dataset(data) # 检查数据集
train_path, val_path = data_dict['train'], data_dict['val'] # 训练数据集，测试集图片路径
nc = 1 if single_cls else int(data_dict['nc']) # 数据集种类数量
names = ['item'] if single_cls and len(data_dict['names']) != 1 else data_dict['names'] # 类别所有名字
assert len(names) == nc, f'{len(names)} names found for nc={nc} dataset in {data}' # 判断类别长度和文件是否对应
is_coco = isinstance(val_path, str) and val_path.endswith('coco/val2017.txt') # 当前数据集是否是coco数据集
# ----------------------------------5.6 加载网络训练模型----------------------------------
# Model
check_suffix(weights, '.pt') # 判断文件后缀是否是.pt
pretrained = weights.endswith('.pt') # 加载预训练权重
if pretrained:
# 使用预训练 torch_distributed_zero_first是用于同步不同进程对数据读取的上下文管理器
with torch_distributed_zero_first(LOCAL_RANK):
# 如果本地不存在就从google云盘下载
weights = attempt_download(weights) # download if not found locally
ckpt = torch.load(weights, map_location=device) # 加载模型和参数
model = Model(cfg or ckpt['model'].yaml, ch=3, nc=nc, anchors=hyp.get('anchors')).to(device) # 加载模型
exclude = ['anchor'] if (cfg or hyp.get('anchors')) and not resume else [] # 获取anchor 若cfg噶一gto不为空且不终端训练，设置exclude=anchor
csd = ckpt['model'].float().state_dict() # 将预训练模型中的所有参数保存下来给csd
csd = intersect_dicts(csd, model.state_dict(), exclude=exclude) # 判断参数多少相同，筛选字典中键值对，把exclude删除
model.load_state_dict(csd, strict=False) # 模型创建
LOGGER.info(f'Transferred {len(csd)}/{len(model.state_dict())} items from {weights}') # 显示加载与训练权重的键值对和创建模型的键值对 如果pre=true则减少两个键值对
else:
model = Model(cfg, ch=3, nc=nc, anchors=hyp.get('anchors')).to(device) # 直接加载模型 ch为输入图片通道
# ----------------------------------5.7 冻结层---------------------------------
"""
其作用是冰冻一些层，使得这些层再反向传播时不再更新权重 需要冻结的层可以卸载freeze列表中
"""
# Freeze
freeze = [f'model.{x}.' for x in range(freeze)] # layers to freeze
# 遍历所有层
for k, v in model.named_parameters():
v.requires_grad = True # 把所有层参数设置梯度
if any(x in k for x in freeze): # 判断是否冻结
LOGGER.info(f'freezing {k}')
v.requires_grad = False # 冻结训练的层梯度不进行更新
# ----------------------------------5.8 设置训练和测试图片尺寸---------------------------------
# Image size
gs = max(int(model.stride.max()), 32) # 获取模型总步长和图片分辨率
imgsz = check_img_size(opt.imgsz, gs, floor=gs * 2) # 检查图片是否能被32整除
# ----------------------------------5.9 设置一次训练所选取的样本数--------------------------------
# Batch size
if RANK == -1 and batch_size == -1: # single-GPU only, estimate best batch size
batch_size = check_train_batch_size(model, imgsz) #确保batch size满足要求
# ----------------------------------5.10 设置优化器---------------------------------
# Optimizer
nbs = 64 # nbs是nominal batch size ，名义上的batch_size 命令行bs是16
accumulate = max(round(nbs / batch_size), 1) # 累计次数 计算opt中bs多少批才能达到nbs水平
hyp['weight_decay'] *= batch_size * accumulate / nbs # 根据accumulate设置权重衰减参数 防止过拟合
LOGGER.info(f"Scaled weight_decay = {hyp['weight_decay']}") # 打印缩放后的权重衰减超参数
"""
因为bs发生变化，所偶权重参数也要进行相应缩放
"""
g0, g1, g2 = [], [], [] # 将模型分为三组 BN的weight 卷积层的weight biases 进行分组优化
"""
g0表示归一化层中所有权重参数
g1表示卷积层中所有权重参数
g2表示所有的偏置参数
"""
for v in model.modules(): # 遍历网络中的所有层，每遍历一层向更深的层遍历
if hasattr(v, 'bias') and isinstance(v.bias, nn.Parameter): # 指定对象中是否有给定的属性
g2.append(v.bias) # 将层的bias添加至g2
if isinstance(v, nn.BatchNorm2d): # weight (no decay)
g0.append(v.weight) # 将BN层的权重添加至g0 未经过权重衰减
elif hasattr(v, 'weight') and isinstance(v.weight, nn.Parameter): # weight (with decay)
g1.append(v.weight) # 将层的weight添加至g1 经过了权重衰减 这里是指卷积层
# 选用优化器，并设置g0(bn)组的优化方法
"""
首先判断是否使用adam优化器，初始参数为批归一化层中的参数，如果不适用adam优化器，则直接使用SGD随机梯度下降
然后将g1 g2添加至优化器
"""
if opt.adam:
optimizer = Adam(g0, lr=hyp['lr0'], betas=(hyp['momentum'], 0.999)) # adjust beta1 to momentum
else:
optimizer = SGD(g0, lr=hyp['lr0'], momentum=hyp['momentum'], nesterov=True)
# 将卷积层的参数添加至优化器，并做权重衰减
optimizer.add_param_group({'params': g1, 'weight_decay': hyp['weight_decay']}) # add_param_group添加一个参数组，同一个优化器可以更新很多个参数组，不用的参数组可以设置不同的超参数
optimizer.add_param_group({'params': g2}) # add g2 (biases)# 将所有的bias添加至优化器
LOGGER.info(f"{colorstr('optimizer:')} {type(optimizer).__name__} with parameter groups "
f"{len(g0)} weight, {len(g1)} weight (no decay), {len(g2)} bias") # 打印优化信息
del g0, g1, g2 # 在内存中删除g0 g1 g2释放空间
# ----------------------------------5.11 设置学习率衰减方式---------------------------------
# Scheduler
"""
yolov5设置两种学习率策略 线性学习率和余弦退火率
"""
if opt.linear_lr: # 线性学习率
lf = lambda x: (1 - x / (epochs - 1)) * (1.0 - hyp['lrf']) + hyp['lrf'] # linear
else: # 余弦退火率
lf = one_cycle(1, hyp['lrf'], epochs) # cosine 1->hyp['lrf']
scheduler = lr_scheduler.LambdaLR(optimizer, lr_lambda=lf) # 可视化 scheduler
# ----------------------------------5.12 训练前最后准备---------------------------------
"""
EMA 断点续训 迭代次数的架子啊 DP SyncBatchNorm
"""
# EMA
"""
EMA为指数加权平均或滑动平均。其将前面模型训练权重，偏差进行保存，在本次训练过程中，假设为第n次
将第一次到第n-1次以指数权重进行加和，再加上本次的结果，且越远离第n次，指数系数越大，其所占的比重越小。
"""
ema = ModelEMA(model) if RANK in [-1, 0] else None # 指数平均加权或滑动平均,考虑历史值对参数的影响，目的使收敛的曲线更加平滑
# Resume
"""
断点续训。可以理解为把上次中断结束时的模型，作为新的预训练模型，然后从中获取上次训练时的参数
并恢复训练状态。·epoch迭代次数。1个epoch等于使用训练集中的全部样本训练一次，epoch的大小
跟迭代次数有着密切的关系，通常在迭代次数处于2000-3000之间损失已经处于平稳。
"""
start_epoch, best_fitness = 0, 0.0
if pretrained: # 如果有预训练
# Optimizer 加载优化器与best_fitness
if ckpt['optimizer'] is not None:
optimizer.load_state_dict(ckpt['optimizer']) # 将预训练模型中的参数加载到优化器
best_fitness = ckpt['best_fitness'] # 预训练模型中最佳fitnees 保存为best.pt bf=0.0*p+0.0*r+0.1*mAP+0.9*mAP@0.5:0.95
# EMA
# 加载ema模型和updates参数 保持ema的平滑性
if ema and ckpt.get('ema'):
ema.ema.load_state_dict(ckpt['ema'].float().state_dict())
ema.updates = ckpt['updates']
# Epochs 加载训练的迭代次数
start_epoch = ckpt['epoch'] + 1 # 从上次的epoch接着训练
if resume:
assert start_epoch > 0, f'{weights} training to {epochs} epochs is finished, nothing to resume.'
if epochs < start_epoch:# 如果新epoch小于加载的epoch 则新epoch为需要再训练的轮次数而不是总的论次数
# 如果训练次数小于开始论次数 则打印日志恢复训练
LOGGER.info(f"{weights} has been trained for {ckpt['epoch']} epochs. Fine-tuning for {epochs} more epochs.")
epochs += ckpt['epoch'] # 计算新的轮次
del ckpt, csd # 释放内存
# DP mode
"""
DP mode。DataParallel单机多卡模式自动将数据切分 load 到相应 GPU,将模型复制到相应 GPU,进行正向传播计算梯度并汇总。
值得注意的是，模型和数据都需要先导入进GPU中，DataParallel 的module才能对其进行处理，否则会报错
s使用单机多卡训练一般不使用
rank为进程编号 如果rank=-1&&count?1 则使用DataParallel单机多卡模式 效果并不好
rank=-1&&count=1 不会进行分布式
"""
if cuda and RANK == -1 and torch.cuda.device_count() > 1:
LOGGER.warning('WARNING: DP not recommended, use torch.distributed.run for best DDP Multi-GPU results.\n'
'See Multi-GPU Tutorial at https://github.com/ultralytics/yolov5/issues/475 to get started.')
model = torch.nn.DataParallel(model)
# SyncBatchNorm 多卡归一化
"""
SyncBatchNorm。SyncBatchNorm主要用于解决多卡归一化同步问题，每张卡单独计算均值
然后同步，得到全局均值。用全局均值计算每张卡的方差，然后同步即可得到全局方差，但两次会消耗时间挺长。
"""
if opt.sync_bn and cuda and RANK != -1: # 多卡训练，把不同卡的数据做个同步
model = torch.nn.SyncBatchNorm.convert_sync_batchnorm(model).to(device)
LOGGER.info('Using SyncBatchNorm()')
# ----------------------------------5.13 创建数据集---------------------------------
# Trainloader
# 返回一个训练数据加载器，一个数据集对象。训练数据加载器是一个可迭代的对象 可以通过for循环加载1个batch_size的数据
# 数据集对象包括数据集的一些参数，包括标签值 所有训练数据路径 每张图片的尺寸等
# create_dataloader得到两个对象train_loader训练数据加载器 dataset数据集对象
train_loader, dataset = create_dataloader(train_path, imgsz, batch_size // WORLD_SIZE, gs, single_cls,
hyp=hyp, augment=True, cache=opt.cache, rect=opt.rect, rank=LOCAL_RANK,
workers=workers, image_weights=opt.image_weights, quad=opt.quad,
prefix=colorstr('train: '), shuffle=True)
mlc = int(np.concatenate(dataset.labels, 0)[:, 0].max()) # 标签编号最大值
nb = len(train_loader) # 类别总数
# 如果小于类别则表示有问题
assert mlc < nc, f'Label class {mlc} exceeds nc={nc} in {data}. Possible class labels are 0-{nc - 1}'
# Process 0 验证数据集加载
if RANK in [-1, 0]:
val_loader = create_dataloader(val_path, imgsz, batch_size // WORLD_SIZE * 2, gs, single_cls,
hyp=hyp, cache=None if noval else opt.cache, rect=True, rank=-1,
workers=workers, pad=0.5,
prefix=colorstr('val: '))[0]
# 加载验证集数据加载器
if not resume: # 如果没有使用 resume
labels = np.concatenate(dataset.labels, 0) # 统计dataset的label信息
# c = torch.tensor(labels[:, 0]) # classes
# cf = torch.bincount(c.long(), minlength=nc) + 1. # frequency
# model._initialize_biases(cf.to(device))
if plots: # 画出标签信息
plot_labels(labels, names, save_dir)
# ----------------------------------5.14 计算anchor---------------------------------
# Anchors
"""
计算anchor与数据集标签的长宽比
"""
if not opt.noautoanchor:
check_anchors(dataset, model=model, thr=hyp['anchor_t'], imgsz=imgsz)
"""
check_anchors 计算默认锚点anchor与数据集标签的长宽比值，标签的长h宽w与anchor的h_a w_a的壁纸，如果标签框满足条件总数的99%，则根据k-mean算法聚类新的锚点
dataset是训练集
thr=hyp['anchor_t'] 是从配置文件hpy.scratch.ua,;第七的超参数 其中anchor_t当配置文件中的anchor计算bpr(best possible recall)大于0.98才计算新anchor
小于0.98 程序会根据数据集的label自动学习anchor的尺寸
"""
model.half().float() # 半进度
callbacks.run('on_pretrain_routine_end') # 每个训练前例行程序结束时出发所有已注册的回调
# DDP mode
if cuda and RANK != -1:
model = DDP(model, device_ids=[LOCAL_RANK], output_device=LOCAL_RANK)
# ----------------------------------5.15 初始化训练需要的模型参数---------------------------------
# Model attributes
nl = de_parallel(model).model[-1].nl # 根据自己数据集的类别和网络FPN层设置各个损失稀疏
hyp['box'] *= 3 / nl # box为预测框损失
hyp['cls'] *= nc / 80 * 3 / nl # cls为分类损失
hyp['obj'] *= (imgsz / 640) ** 2 * 3 / nl # obj为置信度损失
hyp['label_smoothing'] = opt.label_smoothing # 标签平滑
model.nc = nc # 设置模型的类别，然后将检测的类别个数保存到模型
model.hyp = hyp # 设置模型超参数，然后保存到模型
model.class_weights = labels_to_class_weights(dataset.labels, nc).to(device) * nc # 从训练样本标签得到类别权重，然后将类别权重保存至模型
model.names = names # 获取类别的名字，然后将分类标签保存到模型
# ----------------------------------5.16 训练前热身---------------------------------
# Start training
t0 = time.time() #获取当前时间
nw = max(round(hyp['warmup_epochs'] * nb), 1000) # 获取热身训练的迭代次数
# nw = min(nw, (epochs - start_epoch) / 2 * nb) # limit warmup to < 1/2 of training
last_opt_step = -1
# 初始化mAP和results
maps = np.zeros(nc) # mAP per class
results = (0, 0, 0, 0, 0, 0, 0) # P, R, mAP@.5, mAP@.5-.95, val_loss(box, obj, cls)
scheduler.last_epoch = start_epoch - 1 # 设置学习率衰减所进行到的伦茨，即使打断训练，使用resume接着训练也能正常衔接之前的训练进行学习率衰减
scaler = amp.GradScaler(enabled=cuda) # 设置amp混合精度训练
stopper = EarlyStopping(patience=opt.patience) # 早停止 不更新结束训练
compute_loss = ComputeLoss(model) # init loss class # 初始化损失函数
LOGGER.info(f'Image sizes {imgsz} train, {imgsz} val\n' # 打印训练和测试输入图片分辨率
f'Using {train_loader.num_workers * WORLD_SIZE} dataloader workers\n' # 加载图片时调用cu进程数
f"Logging results to {colorstr('bold', save_dir)}\n" # 日志目录
f'Starting training for {epochs} epochs...') # 从哪个eppch开始训练
# ----------------------------------5.17 开始训练---------------------------------
"""
1.通过model.train进入训练阶段
2.释放开始训练命令和更新权重
3.分布式训练设置以及控制台显示
4.分批加载数据和热身训练
5.正向传播 反向传播 更新参数
6.打印相关信息 做权重衰减 进入下一轮训练
7.训练完成保存模型
8.打印信息并释放显存
"""
for epoch in range(start_epoch, epochs): # epoch ------------------------------------------------------------------
# *****************************1.通过model.train进入训练阶段***********************************
model.train()
# *****************************2.释放开始训练命令和更新权重***********************************
# Update image weights (optional, single-GPU only)
if opt.image_weights: # 获取图片的权重
# 经过一轮训练 若哪一类的精度第那么这个类就会肥胖一个较高的权重，来增加它被采样的概率
cw = model.class_weights.cpu().numpy() * (1 - maps) ** 2 / nc # class weights
# 将计算出的权重换算到图片的维度，将类别的权重换算为图片的权重
iw = labels_to_image_weights(dataset.labels, nc=nc, class_weights=cw) # image weights
# 通过 random.choices生成图片索引indices从而进行采样，这时图像会包含一些难识别的样本
dataset.indices = random.choices(range(dataset.n), weights=iw, k=dataset.n) # rand weighted idx
# Update mosaic border (optional)
# b = int(random.uniform(0.25 * imgsz, 0.75 * imgsz + gs) // gs * gs)
# dataset.mosaic_border = [b - imgsz, -b] # height, width borders
# *****************************3.分布式训练设置以及控制台显示***********************************
mloss = torch.zeros(3, device=device) # mean losses
# DDP模式打乱数据，并且dpp.sampler的随机采样是基于epoch+seed作为随机种子，每次都不同
if RANK != -1:
train_loader.sampler.set_epoch(epoch)
pbar = enumerate(train_loader) # 将训练数据迭代器做枚举，可以遍历出索引值
LOGGER.info(('\n' + '%10s' * 7) % ('Epoch', 'gpu_mem', 'box', 'obj', 'cls', 'labels', 'img_size')) #训练参数表头
if RANK in [-1, 0]:
pbar = tqdm(pbar, total=nb, ncols=NCOLS, bar_format='{l_bar}{bar:10}{r_bar}{bar:-10b}') # 通过tqdm创建进度条，方便训练信息展示
optimizer.zero_grad() # 将优化器中所有参数梯度设为0
# *****************************4.分批加载数据和热身训练***********************************
for i, (imgs, targets, paths, _) in pbar: # batch -------------------------------------------------------------
ni = i + nb * epoch # 计算当前迭代次数
imgs = imgs.to(device, non_blocking=True).float() / 255 # 将图片加载至设备并做归一化
# Warmup 热身训练
if ni <= nw:
xi = [0, nw] # x interp
# compute_loss.gr = np.interp(ni, xi, [0.0, 1.0]) # iou loss ratio (obj_loss = 1.0 or iou)
accumulate = max(1, np.interp(ni, xi, [1, nbs / batch_size]).round())
for j, x in enumerate(optimizer.param_groups): # 遍历优化器中所有参数组
# bias lr falls from 0.1 to lr0, all other lrs rise from 0.0 to lr0
x['lr'] = np.interp(ni, xi, [hyp['warmup_bias_lr'] if j == 2 else 0.0, x['initial_lr'] * lf(epoch)])
"""
bias的学习率从0.1下降到lr*lf(epoch)
其他参数学习率从0增加到lr*lf(epoch)
lf为上面设置的余弦退火衰减函数
"""
if 'momentum' in x:
x['momentum'] = np.interp(ni, xi, [hyp['warmup_momentum'], hyp['momentum']])
# Multi-scale 多尺度训练 从imagsz(默认尺寸)*0.5 imgsz*1.5+gs(模型最大stride=32)随机选取尺寸
if opt.multi_scale:
sz = random.randrange(imgsz * 0.5, imgsz * 1.5 + gs) // gs * gs # 随机改变图片尺寸
sf = sz / max(imgs.shape[2:]) # scale factor
if sf != 1:
ns = [math.ceil(x * sf / gs) * gs for x in imgs.shape[2:]] # new shape (stretched to gs-multiple)
imgs = nn.functional.interpolate(imgs, size=ns, mode='bilinear', align_corners=False) # 下采样
# *****************************5.前向传播 反向传播 更新参数***********************************
# Forward 前向传播
with amp.autocast(enabled=cuda):
pred = model(imgs) # 将图片送入网络得到一个预测结果
# loss为总损失 loss_items是一个损失元组
loss, loss_items = compute_loss(pred, targets.to(device)) # 计算损失 包括分类，objectness，框的损失
if RANK != -1:
loss *= WORLD_SIZE # DDP训练，平均不同gpu之间的梯度
if opt.quad:
loss *= 4. # 如果采用collate-Fn4取出的mosaic4数据loss也要翻倍*4
# Backward 反向传播
scaler.scale(loss).backward() # scale为使用自动混合京都运算
# Optimize 模型会对多批数据进行累计，累积到一定次数更新参数，
if ni - last_opt_step >= accumulate:
scaler.step(optimizer) # 参数更新 首先把梯度值unscale返回 如果梯度不是infs/NaNs调用optimizer.step更新权重 否则不更新权重
scaler.update() # 更新参数
optimizer.zero_grad() # 完成一次累计后梯度清零
if ema:
ema.update(model)
last_opt_step = ni # 计数
# *****************************6.打印相关信息，做权重衰减***********************************
# Log 打印相关信息
if RANK in [-1, 0]:
# 打印显存 伦茨 损失 target数量 图片尺寸等
mloss = (mloss * i + loss_items) / (i + 1) # update mean losses
mem = f'{torch.cuda.memory_reserved() / 1E9 if torch.cuda.is_available() else 0:.3g}G' # 计算显存
pbar.set_description(('%10s' * 2 + '%10.4g' * 5) % (
f'{epoch}/{epochs - 1}', mem, *mloss, targets.shape[0], imgs.shape[-1])) # 进度条显示 #将日志记录并生成一些记录图片
callbacks.run('on_train_batch_end', ni, model, imgs, targets, paths, plots, opt.sync_bn)
# end batch ------------------------------------------------------------------------------------------------
# Scheduler 学习率衰减
lr = [x['lr'] for x in optimizer.param_groups] # for loggers
scheduler.step() # 根据前面设置的学习率更新策略更新学习率
if RANK in [-1, 0]:
# mAP
callbacks.run('on_train_epoch_end', epoch=epoch)
ema.update_attr(model, include=['yaml', 'nc', 'hyp', 'names', 'stride', 'class_weights']) # model属性给ema
final_epoch = (epoch + 1 == epochs) or stopper.possible_stop# 判断当前epoch是否最后一轮
if not noval or final_epoch: #
"""
测试使用的是ema（指数移动平均 对模型的参数做平均）的模型
results: [1] Precision 所有类别的平均precision(最大f1时)
[1] Recall 所有类别的平均recall
[1] map@0.5 所有类别的平均mAP@0.5
[1] map@0.5:0.95 所有类别的平均mAP@0.5:0.95
[1] box_loss 验证集回归损失, obj_loss 验证集置信度损失, cls_loss 验证集分类损失
maps: [80] 所有类别的mAP@0.5:0.95
"""
results, maps, _ = val.run(data_dict,
batch_size=batch_size // WORLD_SIZE * 2,# 数据集配置文件地址 包含数据集的路径、类别个数、类名、下载地址等信息
imgsz=imgsz, # 要保证batch_size能整除卡数
model=ema.ema,
single_cls=single_cls,# 是否是单类数据集
dataloader=val_loader,
save_dir=save_dir,# 保存地址 runs/train/expn
plots=False,# 是否可视化
callbacks=callbacks,
compute_loss=compute_loss)# 损失函数(train)
# Update best mAP
fi = fitness(np.array(results).reshape(1, -1)) # fi: [P, R, mAP@.5, mAP@.5-.95]的一个加权值 = 0.1*mAP@.5 + 0.9*mAP@.5-.95
if fi > best_fitness: # 当前fi大于最佳的
best_fitness = fi # 更新
log_vals = list(mloss) + list(results) + lr #保存验证结果
callbacks.run('on_fit_epoch_end', log_vals, epoch, best_fitness, fi) # 保存验证数据
# *****************************7.保存模型***********************************
# Save model
"""
保存带checkpoint的模型用于inference或resuming training
保存模型, 还保存了epoch, results, optimizer等信息
optimizer将不会在最后一轮完成后保存
model保存的是EMA的模型
"""
if (not nosave) or (final_epoch and not evolve): # if save
# 将打钱训练过程中的所有参数赋值给ckpt
ckpt = {'epoch': epoch,
'best_fitness': best_fitness,
'model': deepcopy(de_parallel(model)).half(),
'ema': deepcopy(ema.ema).half(),
'updates': ema.updates,
'optimizer': optimizer.state_dict(),
'wandb_id': loggers.wandb.wandb_run.id if loggers.wandb else None,
'date': datetime.now().isoformat()}
# Save last, best and delete
torch.save(ckpt, last) # 保存每轮的模型
if best_fitness == fi: # 如果是最佳的模型
torch.save(ckpt, best)
if (epoch > 0) and (opt.save_period > 0) and (epoch % opt.save_period == 0):
torch.save(ckpt, w / f'epoch{epoch}.pt') # 保存模型
del ckpt # 释放内存
callbacks.run('on_model_save', last, epoch, final_epoch, best_fitness, fi) # 保存到日志
# Stop Single-GPU 停止单卡训练
if RANK == -1 and stopper(epoch=epoch, fitness=fi):
break
# Stop DDP TODO: known issues shttps://github.com/ultralytics/yolov5/pull/4576
# stop = stopper(epoch=epoch, fitness=fi)
# if RANK == 0:
# dist.broadcast_object_list([stop], 0) # broadcast 'stop' to all ranks
# Stop DPP
# with torch_distributed_zero_first(RANK):
# if stop:
# break # must break all DDP ranks
# end epoch ----------------------------------------------------------------------------------------------------
# end training -----------------------------------------------------------------------------------------------------
# *****************************8.打印信息并释放显存***********************************
if RANK in [-1, 0]:
LOGGER.info(f'\n{epoch - start_epoch + 1} epochs completed in {(time.time() - t0) / 3600:.3f} hours.')# 停止训练，向控制台输出信息
for f in last, best:
if f.exists():
strip_optimizer(f) # 训练完成后 讲过optimizer从ckpt中删除
if f is best:
LOGGER.info(f'\nValidating {f}...') # 把最好的模型在验证集跑一边 并绘图
results, _, _ = val.run(data_dict,
batch_size=batch_size // WORLD_SIZE * 2,
imgsz=imgsz,
model=attempt_load(f, device).half(),
iou_thres=0.65 if is_coco else 0.60, # best pycocotools results at 0.65
single_cls=single_cls,
dataloader=val_loader,
save_dir=save_dir,
save_json=is_coco,
verbose=True,
plots=True,
callbacks=callbacks,
compute_loss=compute_loss) # val best model with plots
if is_coco: # 如果hi是coco数据集
callbacks.run('on_fit_epoch_end', list(mloss) + list(results) + lr, epoch, best_fitness, fi)
# 记录训练终止时日志
callbacks.run('on_train_end', last, best, plots, epoch, results)
LOGGER.info(f"Results saved to {colorstr('bold', save_dir)}")
torch.cuda.empty_cache() # 释放显存
return results
# ----------------------------------6 opt---------------------------------
def parse_opt(known=False):
parser = argparse.ArgumentParser()
# weights: 预训练权重文件
parser.add_argument('--weights', type=str, default=ROOT / 'pretrained/yolov5s.pt', help='initial weights path')
# cfg: 训练模型 模型配置文件 网络结构
parser.add_argument('--cfg', type=str, default=ROOT / 'models/yolov5s.yaml', help='model.yaml path')
# data: 训练路径，包括训练集，验证集，测试集的路径，类别总数等
parser.add_argument('--data', type=str, default=ROOT / 'data/fire_data.yaml', help='dataset.yaml path')
# hpy: 超参数设置文件（lr/sgd/mixup）./data/hyps/下面有5个超参数设置文件，每个文件的超参数初始值有细微区别，用户可以根据自己的需求选择其中一个
parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch.yaml', help='hyperparameters path')
# epochs: 训练轮次， 默认轮次为300次
parser.add_argument('--epochs', type=int, default=300)
# batchsize: 训练批次， 默认bs=16
parser.add_argument('--batch-size', type=int, default=4, help='total batch size for all GPUs, -1 for autobatch')
# imagesize: 设置图片大小, 默认640*640
parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')
# rect: 是否采用矩形训练，默认为False
parser.add_argument('--rect', action='store_true', help='rectangular training')
# resume: 是否接着上次的训练结果，继续训练
parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
# nosave: 不保存模型 默认False(保存) 在./runs/exp*/train/weights/保存两个模型 一个是最后一次的模型 一个是最好的模型
parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
# noval: 最后进行测试, 设置了之后就是训练结束都测试一下， 不设置每轮都计算mAP, 建议不设置
parser.add_argument('--noval', action='store_true', help='only validate final epoch')
# noautoanchor: 不自动调整anchor, 默认False, 自动调整anchor
parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')
# evolve: 参数进化， 遗传算法调参
parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')
# bucket: 谷歌优盘 / 一般用不到
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，默认False
parser.add_argument('--cache', type=str, nargs='?', const='ram', help='--cache images in "ram" (default) or "disk"')
# mage-weights: 使用图片采样策略，默认不使用
parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
# device: 设备选择
parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
# parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
# multi-scale 是否进行多尺度训练
parser.add_argument('--multi-scale', default=True, help='vary img-size +/- 50%%')
# single-cls: 数据集是否多类/默认True
parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
# optimizer: 优化器选择 / 提供了三种优化器
parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')
# sync-bn: 是否使用跨卡同步BN,在DDP模式使用
parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
# dataloader的最大worker数量 （使用多线程加载图片）
parser.add_argument('--workers', type=int, default=0, help='max dataloader workers (per RANK in DDP mode)')
# 训练结果的保存路径
parser.add_argument('--project', default=ROOT / 'runs/train', help='save to project/name')
# 训练结果的文件名称
parser.add_argument('--name', default='exp', help='save to project/name')
# 项目位置是否存在 / 默认是都不存在
parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
# 四元数据加载器: 允许在较低 --img 尺寸下进行更高 --img 尺寸训练的一些好处。
parser.add_argument('--quad', action='store_true', help='quad dataloader')
# cos-lr: 余弦学习率
parser.add_argument('--linear-lr', action='store_true', help='linear LR')
# 标签平滑 / 默认不增强， 用户可以根据自己标签的实际情况设置这个参数，建议设置小一点 0.1 / 0.05
parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
# 早停止耐心次数 / 100次不更新就停止训练
parser.add_argument('--patience', type=int, default=100, help='EarlyStopping patience (epochs without improvement)')
# --freeze冻结训练 可以设置 default = [0] 数据量大的情况下，建议不设置这个参数
parser.add_argument('--freeze', type=int, default=0, help='Number of layers to freeze. backbone=10, all=24')
# --save-period 多少个epoch保存一下checkpoint
parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')
# --local_rank 进程编号 / 多卡使用
parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')
# Weights & Biases arguments
# 在线可视化工具，类似于tensorboard工具
parser.add_argument('--entity', default=None, help='W&B: Entity')
# upload_dataset: 是否上传dataset到wandb tabel(将数据集作为交互式 dsviz表 在浏览器中查看、查询、筛选和分析数据集) 默认False
parser.add_argument('--upload_dataset', action='store_true', help='W&B: Upload dataset as artifact table')
# bbox_interval: 设置界框图像记录间隔 Set bounding-box image logging interval for W&B 默认-1 opt.epochs // 10
parser.add_argument('--bbox_interval', type=int, default=-1, help='W&B: Set bounding-box image logging interval')
# 使用数据的版本
parser.add_argument('--artifact_alias', type=str, default='latest', help='W&B: Version of dataset artifact to use')
# 作用就是当仅获取到基本设置时，如果运行命令中传入了之后才会获取到的其他配置，不会报错；而是将多出来的部分保存起来，留到后面使用
opt = parser.parse_known_args()[0] if known else parser.parse_args()
return opt
# ----------------------------------7. run---------------------------------
def run(**kwargs):
# Usage: import train; train.run(data='coco128.yaml', imgsz=320, weights='yolov5m.pt')
# 执行这个脚本/调用train函数/开启训练
"""
使得支持指令执行脚本 与主函数差不多 为导入时提供
"""
opt = parse_opt(True)
for k, v in kwargs.items():
setattr(opt, k, v) # 属性赋值，属性不存在则创建一个赋值
main(opt)
# ----------------------------------8. main---------------------------------
def main(opt, callbacks=Callbacks()):
# ----------------------------------8.1 检查分布式训练环境---------------------------------
# Checks
if RANK in [-1, 0]:
print_args(FILE.stem, opt) # 以彩色方式输出所有训练参数
check_git_status() # 检查github库是否更新
check_requirements(exclude=['thop']) # 检查requirement.txt包是否都满足
# ----------------------------------8.2 判断是否断点续训练---------------------------------
# Resume
if opt.resume and not check_wandb_resume(opt) and not opt.evolve: # resume an interrupted run
ckpt = opt.resume if isinstance(opt.resume, str) else get_latest_run() # 找到最近的权重文件last.pt
assert os.path.isfile(ckpt), 'ERROR: --resume checkpoint does not exist' # 判断是否是文件，若不是则抛出文件异常
with open(Path(ckpt).parent.parent / 'opt.yaml', errors='ignore') as f: # opt.yaml是训练时的命令行参数问及那
opt = argparse.Namespace(**yaml.safe_load(f)) # 超参数替换，将训练时的命令行参数加载到opt参数对象中
opt.cfg, opt.weights, opt.resume = '', ckpt, True # 设置为‘’ 对应train函数里面的操作 即加载权重时是否加载anchor
LOGGER.info(f'Resuming training from {ckpt}') # 打印从ckpt恢复断点训练信息
else:
# 不适用断点续训，从文件中读取相关参数
opt.data, opt.cfg, opt.hyp, opt.weights, opt.project = \
check_file(opt.data), check_yaml(opt.cfg), check_yaml(opt.hyp), str(opt.weights), str(opt.project) # checks
assert len(opt.cfg) or len(opt.weights), 'either --cfg or --weights must be specified' #如果模型文件和权重文件为空 弹出警告
if opt.evolve:
opt.project = str(ROOT / 'runs/evolve') # 设置心得项目输出目录
opt.exist_ok, opt.resume = opt.resume, False # 将resume传递给exiist_ok
opt.save_dir = str(increment_path(Path(opt.project) / opt.name, exist_ok=opt.exist_ok)) #根据opt.project生成目睹并给opt.save_dir
# ----------------------------------8.3 判断是否分布式训练---------------------------------
"""
DDP用于单机或多级的多GPU分布式训练，但目前DDP只能在linux使用，
"""
# DDP mode
device = select_device(opt.device, batch_size=opt.batch_size) # 选择程序装载的位置
if LOCAL_RANK != -1: # 当进程内的GPU！=-1 进度DDP
assert torch.cuda.device_count() > LOCAL_RANK, 'insufficient CUDA devices for DDP command' # 用于DDP训练GPU数量不足
assert opt.batch_size % WORLD_SIZE == 0, '--batch-size must be multiple of CUDA device count' # world_size表示全局进程数
assert not opt.image_weights, '--image-weights argument is not compatible with DDP training' # 不能使用图片采样策略
assert not opt.evolve, '--evolve argument is not compatible with DDP training' # 不能使用超参数进化
torch.cuda.set_device(LOCAL_RANK) # 设置装载程序设备
device = torch.device('cuda', LOCAL_RANK) # 保存装载程序谁不
dist.init_process_group(backend="nccl" if dist.is_nccl_available() else "gloo") # 用于多GPU训练模块
# ----------------------------------8.4 判断是否超参数进化训练---------------------------------
"""
遗传算法，每次保存最优结果，但至少需要300次
1.若存在evolve.csv 读取文件中训练数据，选择超参进化方式，结果最优的训练数据突变超参数
2.限制超参进化参数hyp在规定范围内
3.使用突变后的超参数进行训练，测试其结果
4.训练结束后，将训练可视化并保存在evolution.csv
遗传算法4个参数：群体大学 进化次数 交叉概率 变异概率
"""
# Train
if not opt.evolve: #判断是否进行进化
train(opt.hyp, opt, device, callbacks) # 直接从train开始
if WORLD_SIZE > 1 and RANK == 0: # 如果全局进程大于1并且rank=0
LOGGER.info('Destroying process group... ') # 日志输出，摧毁进程组
dist.destroy_process_group() # 训练完毕，销毁所有进程
# Evolve hyperparameters (optional)
else:
# 超参数列表范围
meta = {'lr0': (1, 1e-5, 1e-1), # initial learning rate (SGD=1E-2, Adam=1E-3)
'lrf': (1, 0.01, 1.0), # final OneCycleLR learning rate (lr0 * lrf)
'momentum': (0.3, 0.6, 0.98), # SGD momentum/Adam beta1
'weight_decay': (1, 0.0, 0.001), # optimizer weight decay
'warmup_epochs': (1, 0.0, 5.0), # warmup epochs (fractions ok)
'warmup_momentum': (1, 0.0, 0.95), # warmup initial momentum
'warmup_bias_lr': (1, 0.0, 0.2), # warmup initial bias lr
'box': (1, 0.02, 0.2), # box loss gain
'cls': (1, 0.2, 4.0), # cls loss gain
'cls_pw': (1, 0.5, 2.0), # cls BCELoss positive_weight
'obj': (1, 0.2, 4.0), # obj loss gain (scale with pixels)
'obj_pw': (1, 0.5, 2.0), # obj BCELoss positive_weight
'iou_t': (0, 0.1, 0.7), # IoU training threshold
'anchor_t': (1, 2.0, 8.0), # anchor-multiple threshold
'anchors': (2, 2.0, 10.0), # anchors per output grid (0 to ignore)
'fl_gamma': (0, 0.0, 2.0), # focal loss gamma (efficientDet default gamma=1.5)
'hsv_h': (1, 0.0, 0.1), # image HSV-Hue augmentation (fraction)
'hsv_s': (1, 0.0, 0.9), # image HSV-Saturation augmentation (fraction)
'hsv_v': (1, 0.0, 0.9), # image HSV-Value augmentation (fraction)
'degrees': (1, 0.0, 45.0), # image rotation (+/- deg)
'translate': (1, 0.0, 0.9), # image translation (+/- fraction)
'scale': (1, 0.0, 0.9), # image scale (+/- gain)
'shear': (1, 0.0, 10.0), # image shear (+/- deg)
'perspective': (0, 0.0, 0.001), # image perspective (+/- fraction), range 0-0.001
'flipud': (1, 0.0, 1.0), # image flip up-down (probability)
'fliplr': (0, 0.0, 1.0), # image flip left-right (probability)
'mosaic': (1, 0.0, 1.0), # image mixup (probability)
'mixup': (1, 0.0, 1.0), # image mixup (probability)
'copy_paste': (1, 0.0, 1.0)} # segment copy-paste (probability)
with open(opt.hyp, errors='ignore') as f:
hyp = yaml.safe_load(f) # load hyps dict
if 'anchors' not in hyp: # 如果超参数中没有anchor 则设置为3
hyp['anchors'] = 3
opt.noval, opt.nosave, save_dir = True, True, Path(opt.save_dir) # 使用遗传算法时，仅在最后的epoch测试和保存
# ei = [isinstance(x, (int, float)) for x in hyp.values()] # evolvable indices
evolve_yaml, evolve_csv = save_dir / 'hyp_evolve.yaml', save_dir / 'evolve.csv'
if opt.bucket:
os.system(f'gsutil cp gs://{opt.bucket}/evolve.csv {save_dir}') # download evolve.csv if exists
# 迭代次数 默认300
for _ in range(opt.evolve): # generations to evolve
if evolve_csv.exists(): # if evolve.csv 存在
# Select parent(s)
parent = 'single' # 选择进化方式 有: 'single' or 'weighted'
x = np.loadtxt(evolve_csv, ndmin=2, delimiter=',', skiprows=1) # j加载 evolve.txt
n = min(5, len(x)) # 选取至多前五次进化结果
x = x[np.argsort(-fitness(x))][:n] # argsort从小到大排序 fitness为x前4项(p r mAP mAP:0.95)加权
w = fitness(x) - fitness(x).min() + 1E-6 # 根据mp mr mAP50 mAP的加权和作为权重计算hyp权重
if parent == 'single' or len(x) == 1: # 根据不同进化方式获得base hyp
# x = x[random.randint(0, n - 1)] # random selection
x = x[random.choices(range(n), weights=w)[0]] # 根据权重的几率随机挑选适应历史前5的其中一个
elif parent == 'weighted':
x = (x * w.reshape(n, 1)).sum(0) / w.sum() # 对hyp乘上对应的权重融合曾一个hpy 再取平均 /权重和
# Mutate 突变 超参数进化
mp, s = 0.8, 0.2 # 设置图片概率
npr = np.random
npr.seed(int(time.time())) # 根据时间设置随机数种子 伪随机
g = np.array([meta[k][0] for k in hyp.keys()]) # 获取突变初始值(meta三个值中的第一个) meta=[变异初始概率，最低限制，最大限制]
ng = len(meta)
v = np.ones(ng) # 确保其中至少有一个参数超变异了
while all(v == 1): # 设置突变
v = (g * (npr.random(ng) < mp) * npr.randn(ng) * npr.random() * s + 1).clip(0.3, 3.0)
for i, k in enumerate(hyp.keys()): # 将突变添加到base hyp上
hyp[k] = float(x[i + 7] * v[i]) # mutate
# Constrain to limits 限制hpy在规定范围内
for k, v in meta.items():
# hyp是超参数配置文件对象 kv是在元超参数中遍历出来的(是元组)，hyp的v是一个数
hyp[k] = max(hyp[k], v[1]) # 限定最小值 选择二者之间大的，防止hyp值过小
hyp[k] = min(hyp[k], v[2]) # 限定最大值 选二者之间最小的
hyp[k] = round(hyp[k], 5) # 四舍五入到小数点后五位
# 最后得到的值是hyo中的值与meta的最大值之间小的
# Train mutation 使用突变后的超参数 测试结果
results = train(hyp.copy(), opt, device, callbacks)
# Write mutation results
# 将结果写入到results中，并将byp写入到evolve.txt(每一行为一次进化结果)
# 其中evolve.txt每一行为(p,r,mAP.F1,test_losses(GIOU,obj,cls))之后为hyp 最后将hyp保存到yaml文件中
print_mutation(results, hyp.copy(), save_dir, opt.bucket)
# Plot results 结果可视化
plot_evolve(evolve_csv)
LOGGER.info(f'Hyperparameter evolution finished\n'
f"Results saved to {colorstr('bold', save_dir)}\n"
f'Use best hyperparameters example: $ python train.py --hyp {evolve_yaml}')
# python train.py --data mask_data.yaml --cfg mask_yolov5s.yaml --weights pretrained/yolov5s.pt --epoch 100 --batch-size 4 --device cpu
# python train.py --data mask_data.yaml --cfg mask_yolov5l.yaml --weights pretrained/yolov5l.pt --epoch 100 --batch-size 4
# python train.py --data mask_data.yaml --cfg mask_yolov5m.yaml --weights pretrained/yolov5m.pt --epoch 100 --batch-size 4
if __name__ == "__main__":
opt = parse_opt()
main(opt)
当我们学习完train.py后，就可以训练自己的数据集了，通常我们训练完数据后需要通过val(test).py取进行测试验证当前模型的mAP等超参数是否最佳，如果不是最佳则调整train直至最佳，最终通过detect.py取泛化使用。所以下一期要学习的就是val.py啦！
如果内容对你有所帮助，不要忘记随手点个赞呀！
扫一扫
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
