计算机视觉 / 系统课时

配置训练参数

配置训练参数

训练参数决定每次迭代读取多少数据、图片以多大尺寸进入网络、训练持续多久以及结果保存在哪里。本课将配置一条可直接执行的 YOLOv5 训练命令,并说明如何验证参数是否真正生效。

学习目标

  • 理解输入尺寸、批量大小和训练轮数对训练过程的影响
  • 正确设置设备、数据加载进程和输出目录
  • 运行训练命令并检查日志与结果目录

配置核心训练参数

--img 表示图片进入网络前的目标尺寸,常用起点是 640。小目标占比较高时可以尝试更大尺寸,但显存占用和训练时间也会增加。尺寸应尽量是模型最大步长的整数倍,不合适的数值通常会被 YOLOv5 自动校正。

--batch 表示每次参数更新使用的图片数量。批量越大,显存占用越高;批量过小则梯度波动更明显。首次训练可从 8 或 16 开始,发生显存不足时按 16 → 8 → 4 的顺序降低。

--epochs 表示完整遍历训练集的次数。中小型数据集可以从 100 开始,再结合验证指标和早停结果判断是否需要延长,而不是简单认为轮数越多越好。

--device 0 使用第一张 CUDA 显卡,--device cpu 强制使用 CPU,多卡训练可写成 --device 0,1。参数只负责选择设备,能否使用 GPU 仍取决于 PyTorch、CUDA 与显卡驱动是否匹配。

--workers 控制数据加载进程数。Linux 服务器通常可从 4 或 8 开始;Windows 或内存较小的环境若出现子进程异常,可先降为 0 或 2。

--project 指定结果父目录,--name 指定实验名称。例如 --project runs/train --name custom-baseline 会将权重和指标写入对应目录。同名目录已存在时,YOLOv5 通常会自动增加数字后缀。

运行基线训练

下面的命令适合作为第一版基线。执行前应位于 YOLOv5 项目根目录,将 <PATH> 替换为真实的 custom.yaml 路径;没有 CUDA 环境时,将 --device 0 改为 --device cpu。

bash
python train.py --img 640 --batch 16 --epochs 100 --data <PATH>/custom.yaml --weights yolov5s.pt --device 0 --workers 8 --project runs/train --name custom-baseline

预期输出:

text
train: weights=yolov5s.pt, data=<PATH>/custom.yaml, epochs=100, batch_size=16, imgsz=640
Using <DEVICE>
Starting training for 100 epochs...
Results saved to runs/train/custom-baseline

<DEVICE> 可能显示具体 GPU 型号或 CPU,实际日志还会包含数据扫描、模型结构和每轮指标。若输出目录已经存在,最终保存路径可能自动增加数字后缀。

验证并处理典型失败

训练启动后先检查日志中的 epochs、batch_size 和 imgsz 是否与命令一致,再确认 Using <DEVICE> 指向预期设备。完成首个轮次后,结果目录中应出现权重目录和训练记录文件。

出现 CUDA out of memory 时,优先降低 --batch,仍然失败再降低 --img。GPU 利用率低且 CPU 仍有余量时,可适当增加 --workers;数据加载进程频繁退出时,则应降低该值。

每次实验只修改一到两个关键参数,并保持数据划分不变。实验名称应表达主要差异,例如 img768-batch8,同时保存完整命令、代码版本和数据版本,避免只保留 best.pt 却无法复现训练条件。

本课总结

  • --img、--batch 和 --epochs 共同决定训练成本与收敛过程
  • --device、--workers 和输出目录参数用于匹配环境并管理实验结果
  • 训练启动后必须从日志和结果目录两处确认参数是否真正生效

下一课预告

下一课将正式启动自定义模型训练,并根据首轮日志判断数据加载、损失变化和验证指标是否正常。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

配置训练参数

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通