1. YOLOv5训练参数入门指南第一次接触YOLOv5的训练脚本时train.py里那一长串参数确实让人眼花缭乱。记得我刚入门时光是理解这些参数的作用就花了整整一周时间。现在回头看其实这些参数设计得非常人性化只要掌握了核心的几个就能快速上手训练。YOLOv5使用Python标准库中的argparse模块来处理命令行参数这种设计让参数配置变得特别灵活。你既可以直接在命令行中指定参数也可以通过修改train.py脚本来设置默认值。我建议新手先从命令行参数入手等熟悉了再考虑修改源码。最基础的训练命令长这样python train.py --data coco.yaml --weights yolov5s.pt --epochs 100这个命令使用了COCO数据集配置文件加载了yolov5s预训练权重设置了100个训练周期。这三个参数(--data, --weights, --epochs)是训练时必须指定的核心参数。2. 关键参数深度解析2.1 模型结构与权重配置--weights参数可能是你最先接触的重要参数。它指定了预训练权重的路径YOLOv5提供了四种不同大小的预训练模型yolov5s.pt (最小最快)yolov5m.ptyolov5l.ptyolov5x.pt (最大最准)有趣的是如果你指定的权重文件不存在YOLOv5会自动帮你下载。不过国内下载速度可能不太理想我建议提前从GitHub下载好。--cfg参数用于指定模型结构配置文件。这里有个实用技巧当你使用预训练权重时可以省略--cfg参数模型会自动采用权重对应的结构。只有在从头训练(random initialization)时才需要明确指定。2.2 数据与训练配置--data参数指向数据集配置文件这个yaml文件里包含了训练集、验证集路径以及类别信息等。YOLOv5很贴心地内置了coco128.yaml示例它会自动下载小型COCO数据集(128张图片)用于测试。--hyp参数控制着训练的超参数包括学习率、数据增强强度等。YOLOv5提供了三种预设hyp.scratch-low.yaml (低强度增强)hyp.scratch-medium.yaml (中等强度)hyp.scratch-high.yaml (高强度增强)我建议新手先从scratch-low开始等熟悉了再尝试更强的增强。3. 训练效率优化技巧3.1 批量大小与图像尺寸--batch-size直接影响训练速度和显存占用。我的经验法则是在显存允许的情况下尽可能设大。比如在RTX 3090上yolov5s可以轻松跑到batch size 64。--imgsz参数设置输入图像尺寸默认640x640。增大尺寸能提升检测小物体的能力但会显著增加显存消耗。我做过测试从640增加到1024训练时间几乎翻倍。3.2 硬件加速参数--device参数让你可以灵活选择训练设备。比如你有4块GPU可以指定--device 0,1,2,3来使用全部GPU。如果没有GPU设置--device cpu也能运行(虽然会很慢)。--workers控制数据加载的并行进程数。这个参数很关键设置得当可以大幅提升数据吞吐量。我的经验值是设为CPU核心数的2-4倍。不过要注意设太高可能导致内存不足。4. 高级训练策略4.1 断点续训与模型保存--resume参数是我最喜欢的特性之一。当训练意外中断时你可以用这个参数从中断处继续训练完全不需要从头开始。使用方法也很简单python train.py --resume runs/train/exp/weights/last.pt--save-period让你可以定期保存检查点。比如设置--save-period 10会每10个epoch保存一次权重。这对于长时间训练特别有用万一中间出问题可以回退到最近的检查点。4.2 特殊训练模式--rect开启矩形训练模式这种模式会保持图像原始宽高比只填充到最小32的倍数。在我的测试中这可以减少15-20%的训练时间特别适合处理非正方形图像的数据集。--multi-scale开启多尺度训练每批图像的尺寸会在±50%范围内随机缩放。这种数据增强方式能显著提升模型对不同尺寸目标的检测能力但会使训练时间增加约30%。5. 参数组合实战案例5.1 快速验证配置当你只是想快速验证模型能否跑通时可以使用这个极简配置python train.py --data coco128.yaml --weights yolov5s.pt --epochs 10 --batch-size 16 --img 320这个配置在笔记本GPU上10分钟内就能跑完非常适合快速验证想法。5.2 生产级训练配置对于正式训练我推荐这样的参数组合python train.py --data custom.yaml --weights yolov5m.pt --epochs 300 --batch-size 64 --img 640 --rect --multi-scale --hyp hyp.scratch-medium.yaml --workers 8这个配置使用了中等强度的数据增强开启了矩形训练和多尺度训练适合大多数实际应用场景。5.3 大模型训练技巧训练yolov5x这样的大模型时需要特别注意显存管理python train.py --data coco.yaml --weights yolov5x.pt --epochs 200 --batch-size 16 --img 640 --device 0,1 --sync-bn这里使用了多GPU训练(DDP模式)并启用了同步批归一化(sync-bn)这对大模型训练稳定性很有帮助。6. 常见问题排查训练过程中最常遇到的就是显存不足(OOM)错误。这时可以尝试减小batch-size减小图像尺寸(--img)使用更小的模型(如从yolov5l换成yolov5m)开启--rect模式减少填充区域另一个常见问题是训练loss不下降。可能的原因包括学习率不合适(可以尝试调整hyp文件中的lr0)数据标注有问题模型容量不足(换更大的模型)数据增强太强(换hyp.scratch-low.yaml)7. 参数调优心得经过多次项目实践我总结出几个调参原则先确保模型能在小数据集上过拟合证明模型能力足够从小参数开始(如batch-size 16, img-size 320)稳定后再逐步增大使用--evolve参数进行超参数进化但要注意这很耗时合理使用早停(--patience)防止过拟合不同数据集可能需要不同的hyp配置不要盲目套用记住没有放之四海皆准的最优参数关键是根据你的具体需求和硬件条件找到平衡点。