上周就被催更了，但很不巧转天就发烧了，躺到周末才好一些，再加上一些落下的工作要补，于是完事后火速更出第三篇。这一篇主要讲解使用YOLOv5训练模型，但博主也承认，YOLOv5训练模型也不是什么新鲜事了，各大编程论坛也有相关详尽的教程，所以建议自学为主。本篇主要讲解使用OpenBayes训练YOLOv5模型。
上一篇中，我们完成了在OpenBayes中搭建了YOLOv5环境，接下来让我们先来进行简单讲解，然后开始训练模型 。
一、YOLOv5文件夹
YOLOv5作为训练模型的“程序”，和我们平常使用的应用程序（Application）是有差异的。YOLOv5中有许多单独的模块、工具等，它们集成为一个完整的程序。接下来让我们了解一下必要的文件（夹）：
- detect.py——运行模型，识别提供的数据集。
- train.py——训练模型，使用提供的数据集。
- export.py——转换模型格式（例如Tensorflow等）（原模型为Pytorch格式）。
- val.py——验证模型，使用提供的数据集。
- data——文件夹，用于存放数据集以及数据集信息。
- models——文件夹，用于存放模型信息及其他程序。
- runs（该文件夹需要生成结果才会出现）——文件夹，用于存放运行结果（图片识别、模型训练等）。
我们可以先打开看一下data-images文件夹里，里面放了一些官方预设的图像，下一节我们用官方预设的模型来跑一下这两幅图（强烈建议可以上传自己的图片跑一下试试）。
如果想要上传自己本地的文件，直接将文件拖入左边的资源管理器中即可。
二、使用detect.py运行官方例程
我们上一篇讲过要运行YOLOv5程序，需要移动到其目录下。所以我们在工作空间中打开终端，输入指令cd ./yolov5。官方在YOLOv5中已经做好了一个小例程，直接使用detect.py可以对data-images里的图像进行识别（再次建议可以上传自己的本地图片跑一下试试）。我们直接在终端中输入以下指令即可运行：
python ./detect.py在运行detect.py前，程序会为你自动下载yolov5s的权重模型。何为权重模型？实际上YOLOv5一共有5种预设的权重模型，其参数大小及信息影响了模型的效果和速度。打开model文件夹可以找到预设的权重配置。我们按照顺序依次介绍一下：
l（large）: 大型模型，模型深度和宽度都较大，计算量较大，对应FLOPS(每秒浮点运算次数)和参数量也较高,精度较高但速度较慢。
m（medium）: 中等规模的模型，深度和宽度介于小型和大型模型之间，计算量适中，对应的FLOPS和参数量也适中。在精度和速度之间取得一定平衡。
n（nano）: 极小的模型，深度和宽度都很小，计算量极低,FLOPS和参数量最少，推理速度最快但精度会有所牺牲。通常用于对推理速度和模型尺寸有苛刻要求的场景。
s（small）: 小型模型，深度和宽度相对较小，计算量较低，FLOPS和参数量也较少，相比大型模型精度降低但推理速度加快。
x（extra-large）: 超大型模型，深度和宽度都比较深宽，计算量非常大，对应的FLOPS和参数量很高，精度最高但推理速度最慢，通常用于对精度要求很高的特殊场景。
由于我们的任务比较简单，所以使用默认的yolov5s模型就可以了。在以后使用YOLOv5时，可以根据项目规模选择不同的模型参数。
跑完detect.py后，我们发现在目录下多了一个runs的文件夹。进行识别的结果会存放在这个文件夹内，detect是识别结果，exp是进行的轮次，里面就是我们跑完的结果了。这是其中一个跑完的结果图像。
可以看到，YOLOv5将自己识别到的物体用不同颜色的框划分下来。每个框都有识别结果的信息，其中包含了标签（例如person）、置信度（例如0.87）等。总之，这个框就是告诉你，此处标记的地方，YOLOv5有百分之多少的把握，认为是什么类别。
三、使用train.py训练模型
3.1 准备权重模型以及训练数据集
如果没有准备数据集的话，或者感觉自己的数据集不够多，可以用博主的快递类型识别来做。快递类型识别数据集是用于训练识别快递的“塑料”、“纸盒”和“有损纸盒”三个分类的数据集。
在进行train.py模型训练之前，我们先来分析一下训练都需要什么内容。以下是一个使用train.py进行训练的指令，其中后面包含了许多参数：
python train.py --img 640 --batch 16 --epochs 300 --data ./data/mydata.yaml --cfg ./models/yolov5s.yaml --weights ./yolov5s.pt --device 0其中，–img表示统一输入图像的尺寸，–batch表示训练批次，–epochs表示训练轮数。这些参数具体有什么含义，我们后面再讲——先来关注一下后面的几个参数：
- –data——数据集信息（文件路径）
- –cfg——权重模型信息（文件路径）
- –weights——权重模型（文件路径）
- –device——训练设备（例如cpu、gpu）
这三个文件是必不可少的。上面我们说到使用默认的yolov5s模型。所以–cfg的路径就是YOLOv5目录下的models/yolov5s.yaml。权重模型，由于之前运行过一次detect.py，所以已经下载好在YOLOv5目录下，文件名叫yolov5s.pt，所以–weights就是./yolov5s.pt。
至于数据集信息，由于我们使用自己的数据集，所以要为自己的数据集编写一套信息。我们打开YOLOv5目录下的data文件夹，发现里面有几个yaml格式的文件。这些就是数据集的信息文件。打开VOC.yaml，看看里面都写了哪些内容。
文件中主要提供了数据集、训练集、验证集合测试集的路径信息。其中path为整体数据集的路径，而train、val、test这些文件夹的路径是以path的路径为基础的。names为类别序号和对应名称，序号应从0开始。download以脚本或url链接的方式指定从哪里下载数据集。其中，test和download不是必填选项。
知道了我们应该为数据集提供哪些信息，我们制作一个自己的数据集信息文件。新建一个名为”mydata.yaml“的文件，其内容如下：
path: ../datasets
train: # train images (relative to 'path')
- images/train
- images/val
val: # val images (relative to 'path')
- images/val
test: # test images (可选)
- images/test
# Classes
names:
0: package
1: damaged
2: box这是我另一个项目用到的数据集配置文件。大家可以根据自己的需求来修改Classes。具体可以参考你在使用Labelimg生成的classes.txt里查看。比如我这里的类别分别是package、damaged和box，对应序号0、1、2。
由于我们使用的是本地数据集，可以不用download。注意，其中所写的 相对路径是对train.py所在路径而言，并非.yaml文件的路径。所以数据集的位置可以放在yolov5文件夹以外（“../”指明上一级文件夹）。
下面是整体的文件夹结构示意。
# home
# ├── yolov5 # YOLOv5文件夹
# ├── train.py
# └── ...... # 其他文件
# └── datasets # 数据集文件夹
# ├── images # 图像信息
# ├── train # 训练集
# └── val # 验证集
# └── labels # 标注信息
# ├── train # 训练集
# └── val # 验证集我们先将自己准备的数据集整理好上传，再按上面的文件夹格式制作目录。仔细观察，会发现这里datasets的目录和mydata.yaml里所写的数据集目录是对应的，所以可以根据个人习惯进行调整。至此，我们的权重模型和训练数据集准备完毕，下面就可以开始正式训练模型了。
对于数据集划分来说，最简单常用的方法是直接划分，即训练集和验证集的图像应当控制在合适的比例。例如，我有700张标注好的数据集图像，那么我可以525张放入训练集，175张放入验证集。同时，应当注意训练集和验证集的个例或者特征是否有偏向，以免造成过拟合，降低模型泛化能力。
顺带一提，我们可以在自己的主机上划分好数据集，然后再将压缩包上传后解压，这样会节省很多时间。在网页终端中，一些常用的指令如下（此处会持续更新）：
unzip <文件路径> # 解压文件
rm -r <文件路径> # 删除文件夹3.2 训练模型
万事俱备，只欠东风。接下来我们使用一个指令便可以开始模型的训练。我们在终端转移到yolov5的目录下（cd /home/yolov5），然后输入以下指令（确保训练设备支持GPU训练，如果之前跟做的话直接输入）：
python train.py --img 640 --batch 16 --epochs 300 --data ./data/mydata.yaml --cfg ./models/yolov5s.yaml --weights ./yolov5s.pt --device 0讲到这里，我们来回顾一下这条指令的具体内容。我们上一节解决了需要的配置文件以及权重模型问题，所以来看看训练所需的参数都有哪些：
- –img——训练图像的输入大小，图像输入的精度要多少。
- –batch——训练批次，一次要训练多少图。
- –epochs——训练轮次，要训练多少轮。
还有一些像是learning rate学习率、优化器之类的超参数，是要通过–hyp来设置的。详细可以参考以下引用的文章：点击此处跳转。
简单来说，精度越高，训练批次合理，训练轮数足够大，都会影响最后模型的最终效果，且大多数是正面影响。当然也没有绝对的情况，精度过高、批次过大、轮数过大都会造成训练时间过长、模型过拟合等效果。这些都要根据实际情况来进行设置。感兴趣的可以深入了解一下。
好了，回到正题，我们输入这个指令，Yolov5会做很多前置的检查，不报错的话耐心等待即可。之后出现epochs和进度条等内容就说明正式开始了训练。训练时，我们可以根据各种信息指标，来判断目前训练的进度和质量。
你可以相信RTX4090的算力。等待五分钟左右，epoch达到指定数量后，会出现以下字样，说明训练已经结束。它提示你结果已经保存到了yolov5目录下的runs/train/exp文件夹里，并且给出了模型训练后最终的指标参数。如图中，我们得到每一类的P（Precision）准确率，R（Recall）召回率以及mAP50-95平均精度指标。这些指标有些不是越高越好，具体怎么看我后面另开一篇再介绍吧……
我们去往runs/train/exp的文件夹下，里面有各种信息，大家感兴趣可以看一看，同样具体怎么看图，后面另开一篇再讲。
结果看起来还是很理想的。最后训练完的模型在weights里，其中有一个best.pt和last.pt，我们一般使用best.pt来部署，如果训练效果不理想，last.pt可以用来继续训练。
至此，我们完成了在OpenBayes里训练YOLOv5模型。下一篇介绍如何将模型部署到本地运行。
