计算机视觉 / 系统课时
选择预训练权重
选择预训练权重
预训练权重决定模型从什么能力起点开始学习,也会直接影响显存占用、训练速度和最终精度。本课将建立一套可复用的选择方法,并用一次最小训练验证所选权重能否正常加载。
学习目标
- 区分 YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l 与 YOLOv5x 的使用定位
- 根据数据规模、目标大小和硬件条件选择起始权重
- 验证权重文件与当前项目版本是否能够正常加载
建立权重选择基线
从 yolov5s.pt 等预训练权重开始训练,模型已经具备通用的边缘、纹理和目标结构识别能力。自定义训练主要是在这些能力上适配新的类别,因此通常比随机初始化收敛更快,也更适合中小型数据集。
权重文件应与当前 YOLOv5 代码版本兼容。课程练习中优先使用同一仓库版本配套发布的 .pt 文件,避免混用来源不明或由其他分支导出的模型。
| 权重 | 速度与显存 | 表达能力 | 适合场景 |
|---|---|---|---|
yolov5n.pt |
最快、占用最低 | 较弱 | 边缘设备、快速验证、资源非常有限 |
yolov5s.pt |
快、占用较低 | 均衡 | 大多数入门项目和首轮基线训练 |
yolov5m.pt |
中等 | 较强 | 数据较多、目标外观复杂、显存充足 |
yolov5l.pt |
较慢、占用较高 | 强 | 精度优先、训练资源较好 |
yolov5x.pt |
最慢、占用最高 | 最强 | 高性能服务器、严格精度目标 |
模型越大不代表效果一定越好。数据量不足、标注噪声较多或训练参数不合理时,大模型同样可能过拟合,并会显著拉长试错周期。
选择时先看硬件:显存紧张就从 yolov5n.pt 或 yolov5s.pt 开始。再看数据规模:只有几百到几千张图片时,优先用小模型建立基线;数据更多且类别差异复杂时,再测试中大型模型。
小目标较多时还要检查输入尺寸和图像清晰度。不要只靠切换到 yolov5x.pt 解决问题,应确认目标缩放后仍有足够像素,并在后续训练中合理提高 --img。
验证权重能否加载
下面的命令以 yolov5s.pt 为起点训练 1 个轮次,用于检查权重、数据配置和训练入口。执行前应位于 YOLOv5 项目根目录,并将 <PATH> 替换为实际数据集配置文件路径。
python train.py --img 640 --batch 8 --epochs 1 --data <PATH>/custom.yaml --weights yolov5s.pt --device 0 --name weight-check预期输出:
train: weights=yolov5s.pt, data=<PATH>/custom.yaml, epochs=1, batch_size=8, imgsz=640
Transferred <NUMBER>/<NUMBER> items from yolov5s.pt
Starting training for 1 epochs...
Results saved to runs/train/weight-check<NUMBER> 和保存路径可能因 YOLOv5 版本、类别数以及目录是否已存在而不同。只要没有出现文件不存在、权重反序列化失败或层尺寸不匹配,并且能够进入第一个轮次,就说明加载验证通过。
避免常见选择误区
不要一开始就使用最大模型。首轮训练的核心任务是验证数据和流程,小模型更容易快速暴露标签错位、类别编号错误和样本分布问题。
也不要只比较训练集损失。应固定数据划分、输入尺寸和主要训练参数,再比较验证集 mAP、召回率、推理速度与显存占用,最后根据部署目标决定是否升级模型规格。
本课总结
yolov5s.pt通常是建立自定义检测基线的优先选择- 模型规格需要同时匹配数据规模、目标特征、显存和推理时延要求
- 正式训练前应先运行 1 个轮次,验证权重、数据配置和训练入口
下一课预告
下一课将配置输入尺寸、批量大小、训练轮数、设备和输出目录,并把这些参数组合成一条可重复执行的训练命令。