计算机视觉 / 系统课时
启动首次训练
启动首次训练
本课将把已经准备好的数据集配置和预训练权重真正送入 YOLOv5 训练流程。完成后,你能够启动一次可复现的训练任务,并从终端中判断数据是否加载成功、显存是否足够、损失是否正常下降以及当前训练进度是否符合预期。
学习目标
- 使用
train.py启动一次自定义数据集训练 - 读懂数据加载、显存占用、损失值和进度信息
- 处理首次训练中最常见的显存不足与路径错误
训练前检查
进入 YOLOv5 项目目录,确认数据配置文件、训练图片和标签已经准备完成。下面命令中的 <YOLOV5_PATH> 与 <DATA_YAML_PATH> 需要替换为实际路径。
cd <YOLOV5_PATH>
python train.py --help
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"预期输出
usage: train.py [-h] [--weights WEIGHTS] [--cfg CFG] [--data DATA] ...
<TORCH_VERSION>
True若最后一行是 False,训练仍可在 CPU 上运行,但速度会明显降低。使用 GPU 时还应确认显卡驱动与当前 PyTorch CUDA 版本兼容。
执行首次训练
下面以 yolov5s.pt 为初始权重,输入尺寸为 640,训练 50 轮。--project 决定输出根目录,--name 决定本次实验目录名,--exist-ok 允许重复使用同名目录。
cd <YOLOV5_PATH>
python train.py \
--img 640 \
--batch 16 \
--epochs 50 \
--data <DATA_YAML_PATH> \
--weights yolov5s.pt \
--device 0 \
--workers 4 \
--project runs/train \
--name custom-first \
--exist-ok预期输出
train: Scanning <TRAIN_LABEL_PATH>...
val: Scanning <VAL_LABEL_PATH>...
Starting training for 50 epochs...
Epoch GPU_mem box_loss obj_loss cls_loss Instances Size
0/49 <GPU_MEM> <BOX_LOSS> <OBJ_LOSS> <CLS_LOSS> <COUNT> 640首次运行可能自动下载预训练权重。下载地址、速度、显存值和损失数值会因环境与数据集不同而变化。
观察训练进度
每一轮输出中,Epoch 表示当前轮次,GPU_mem 表示训练进程使用的显存,box_loss、obj_loss 和 cls_loss 分别对应边界框回归、目标置信度和分类损失。训练刚开始时损失较高是正常现象,更重要的是观察多轮之后的整体趋势。
Instances 表示当前批次参与计算的目标数量,Size 表示输入图像尺寸。进度条持续更新且轮次递增,说明训练主循环正在正常执行。若损失突然变成 nan,应优先检查标签坐标、学习率、数据异常和混合精度环境。
判断显存是否足够
出现 CUDA out of memory 时,先减小 --batch,例如从 16 调整为 8 或 4。若仍然不足,再减小 --img,但输入尺寸降低可能影响小目标检测效果。
cd <YOLOV5_PATH>
python train.py \
--img 640 \
--batch 8 \
--epochs 50 \
--data <DATA_YAML_PATH> \
--weights yolov5s.pt \
--device 0 \
--project runs/train \
--name custom-first-batch8预期结果
Starting training for 50 epochs...
Epoch GPU_mem box_loss obj_loss cls_loss Instances Size
0/49 <LOWER_GPU_MEM> <BOX_LOSS> <OBJ_LOSS> <CLS_LOSS> <COUNT> 640减小批次后,单步显存占用通常会下降,但每轮训练耗时和梯度波动可能发生变化。
处理典型失败
若提示找不到数据配置文件,检查 --data 路径是否正确;若提示图片或标签不存在,检查 YAML 中的 train、val 路径以及图片与标签目录的对应关系。类别数量不一致时,应核对 YAML 中的 nc 与 names。
训练意外中断后,可以使用最近保存的 last.pt 继续训练。具体路径以终端打印的保存目录为准。
cd <YOLOV5_PATH>
python train.py --resume runs/train/custom-first/weights/last.pt预期输出
Resuming training from runs/train/custom-first/weights/last.pt
Starting training from epoch <EPOCH>本课总结
- 首次训练应同时确认数据路径、运行设备和输出目录
- 终端中的轮次、显存和三类损失是判断训练状态的核心信号
- 显存不足优先减小批次,训练中断可通过
last.pt恢复
下一课预告
下一课将进入训练输出目录,识别最佳权重、最后权重、训练曲线、批次样本与验证结果,并说明这些文件分别用于什么场景。