两种方式：

• 本地训练
• 云端GPU训练

乐乐新买的幻14也是有显卡的，所以可以先用自己的rtx3060训练少量数据试一试。。

基础知识

• 超参数（hyper-parameter）：是一种手工可配置的设置，需要为它根据已有或现有的经验，指定“正确”的值，也就是人为为它设定一个值，它不是通过系统学习得到的。

  • 超参\(\rightsquigarrow\)在开始机器学习之前，就人为设置好的参数
  • 模型参数\(\rightsquigarrow\)通过训练得到的参数数据

  通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果

• 锚框（anchor box）：锚框就是在目标检测算法中，围绕中心点，由算法预定义的多个不同长宽比的先验框。锚框的长宽比是一个在已有数据集上的先验值，是一个超参数，可以在模型的配置文件中配置。

• TensorBoard是TensorFlow 提供的实用工具（utility），可以将TensorFlow程序的执行步骤都显示出来，非常直观。还可以对训练的参数(比如loss值)进行统计，用图的方式来查看变化的趋势。

训练文件train.py

opt参数解析：

参数名	作用
weights	选用的模型权重，训练时一般置为空值
cfg	模型配置文件，指定网络结构.yaml文件
data	数据集配置文件，数据集路径，类名等
hyp	超参数文件
epochs	训练总轮次
batch-size	批次大小
img-size	输入图片分辨率大小
rect	是否采用矩形训练（只填充有必要的矩形部分，加快推理速度），默认False
resume	接着打断训练上次的结果接着训练（需要指定位置）
nosave	不保存模型，默认False
notest	不进行test，默认False
noautoanchor	不自动调整anchor，默认False
evolve	是否进行超参数进化（用于超参数调优），默认False
bucket	谷歌云盘bucket，一般不会用到
cache-images	是否提前缓存图片到内存，以加快训练速度，默认False
weights	加载的权重文件
name	数据集名字，如果设置：results.txt to results_name.txt，默认无
device	训练的设备，cpu；0(表示一个gpu设备cuda
multi-scale	是否进行多尺度训练，默认False
single-cls	数据集是否只有一个类别，默认False
adam	是否使用adam优化器（否则采用随机梯度下降）
sync-bn	是否使用跨卡同步BN,在DDP模式使用
local_rank	gpu编号
entity	W&B Entity
quad	可能让图像在大于640时效果更好
linear-lr	线性方式进行学习速率的处理（否则采用余弦退火）
label-smoothing	标签平滑，用来防止过拟合
logdir	存放日志的目录
workers	dataloader的最大worker数量，可以先设置为0

调试小技巧：可以通过 ctrl+f 查找同名参数位置

，如果查找不到其他位置，有可能因为程序中还没有实现。

训练方法

官方文档：Train Custom Data · ultralytics/yolov5 Wiki (github.com)

• 标注
  • 人工——手工标注
  • 半人工——先用模型检测，再手工调整
  • 仿真数据集（GAN，数字图像处理方式）——”自己造数据“
  • 工具：CVAT或Make Sense（在线工具：Make Sense）
• 创建dataset.yaml配置文件，指定训练集（train），验证集（val）和测试集（test），指定类别（nc）和类别列表（names）
  

# hotpot.yaml
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
train: hotpot/images/train  # train images (relative to 'path') 128 images
val: hotpot/images/test  # val images (relative to 'path') 128 images

# Classes
nc: 3  # number of classes
names: [ 'yudoufu', 'qinqinchang','xiebang']  # class names

• 修改train.py中的参数，开始训练。时间比较久，但也不算太慢。

训练完成后再调整detect.py中的参数进行检测。。。好吧或许是因为我只给了16张图片做训练集，或许是这些鱼豆腐亲亲肠和蟹棒太密集了以至于什么都检测不出来。。