yolov5s训练迭代

### 使用YOLOv5s模型进行训练 #### 创建并管理tmux会话 为了保持训练进程稳定运行，在终端中输入命令`tmux new -s train_model`来创建一个新的tmux会话，并命名为`train_model`[^1]。 #### 激活Conda环境 进入tmux会话之后，通过执行`conda activate env_name`可以激活所需的conda虚拟环境，这里假设已经预先配置好了名为`env_name`的环境用于支持YOLOv5s训练所需依赖库版本匹配等问题。 #### 启动训练脚本 当环境准备就绪后，可通过指令`python train.py`启动YOLOv5s的实际训练流程。此命令会在后台调用官方提供的Python脚本来处理数据集读取、网络构建以及优化器设定等一系列操作直至完成整个迭代周期。 #### 脱离当前shell但仍保留程序运行状态 如果希望关闭当前Shell窗口而不影响正在tmux内部执行的任务，则可先按下组合键 `[Ctrl+b]`,紧接着按一次 `d` 键即可实现将现有session脱离前台显示但继续在后台运作的效果。 #### 查看已建立好的tmux session列表 随时能够利用`tmux ls`这条简单的查询语句获取所有现存sessions的信息概览以便后续重新连接或者监控特定任务进展状况。 #### GPU资源监视（非必需） 虽然不是必须项，但是为了更好地掌握GPU占用情况从而调整参数获得更佳性能表现，可以选择性地开启实时监测工具比如`watch -n 1 -c gpustat --color`持续跟踪显卡工作温度、利用率等重要指标变化趋势。 #### TensorBoard可视化平台搭建 为了让用户能够在Web浏览器直观看到实验过程中产生的各类统计数据图表，建议按照如下方式部署TensorBoard服务:`tensorboard --logdir runs/train --port 7101 --bind_all` 。其中指定了日志文件夹路径(`runs/train`)作为源数据存储位置；指定监听端口号为7101方便远程访问；最后加上选项`--bind_all`允许来自任何IP地址请求接入该HTTP服务器实例。 ```bash # 完整的一套基本操作序列 tmux new -s train_model # 新建tmux会话 conda activate env_name # 切换至目标anaconda环境 python train.py # 开始正式训练阶段 [Ctrl+b][d] # 解绑当前TTY链接让其转入后台模式 tmux ls # 展示现有的tmux sessions详情 watch -n 1 -c gpustat --color # 可选-GPU状态追踪(每秒刷新) tensorboard --logdir runs/train --port 7101 --bind_all # 配置tensorboard供在线浏览分析结果 ```

### 使用 YOLOv5s 进行训练的教程及配置方法 #### 1. 下载并准备环境 为了正常运行 YOLOv5s，需要先完成必要的准备工作。这包括下载源码以及预训练权重文件 `yolov5s.pt` 并将其放置到项目的根目录下[^1]。 ```bash git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt wget https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s.pt mv yolov5s.pt ./weights/ ``` 上述命令会克隆 YOLOv5 的仓库至本地，并安装所需的依赖包。同时还会下载官方提供的轻量级预训练模型 `yolov5s.pt` 到指定路径以便后续使用。 --- #### 2. 配置数据集 YOLOv5 支持自定义数据集的训练。为此，需要创建一个新的 YAML 文件来描述数据结构和类别数量。例如，在 `/models` 路径下新建名为 `yolov5s_RM.yaml` 的文件： ```yaml # /models/yolov5s_RM.yaml nc: 80 # 类别的总数 (number of classes) depth_multiple: 0.33 # 模型深度倍率因子 width_multiple: 0.50 # 模型宽度倍率因子 backbone: [[-1, 1, 'Conv', [64, 3, 2]], ... ] # 主干网络层定义省略... head: [[-1, 1, 'Detect', [nc, anchors]], ... ] # 输出检测头部分省略... ``` 在此基础上修改 `nc` 值以匹配目标数据集中类别的实际数目[^2]。 --- #### 3. 数据标注与存储 确保图像及其对应的标签按照 COCO 或者 VOC 格式保存在一个特定的数据文件夹中。通常情况下，这些资源会被分为三个子集——训练 (`train`)、验证 (`val`) 和测试 (`test`)。如果遇到类似 `Image Not Found` 错误，则可能是由于缓存文件未更新所致；此时可以尝试删除 `.cache` 文件再重新执行脚本[^3]。 --- #### 4. 启动训练过程 最后一步就是调用 Python 脚本来启动整个训练流程。以下是基本指令模板： ```bash python train.py --img 640 \ --batch 16 \ --epochs 50 \ --data custom_dataset.yaml \ --cfg models/yolov5s_RM.yaml \ --weights weights/yolov5s.pt \ --name yolo_run_1 ``` 其中参数解释如下： - `--img`: 输入图片尺寸，默认为 640×640； - `--batch`: 批次大小设置为 16 张图每批次； - `--epochs`: 总共迭代轮数设成 50 次； - `--data`: 自己编写好的数据集配置 yaml 文件名； - `--cfg`: 修改后的模型架构配置文件位置； - `--weights`: 加载初始权重的位置； - `--name`: 日志保存名称前缀。 --- ### 注意事项 在整个过程中可能会碰到各种各样的错误提示，比如找不到某些图片等问题时，请参照具体解决办法逐一排查原因。