.png%3Ftable%3Dblock%26id%3D99172ae2-ee44-4671-9354-b020520c82ba%26cache%3Dv2&w=3840&q=75)
.png%3Ftable%3Dblock%26id%3De8ea8af4-4d9c-46f8-b955-e519a86853fb%26cache%3Dv2&w=3840&q=75)
描述
在训练YOLOv5时由于数据集很大导致训练时间十分漫长，这期间Python、主机等可能遇到死机的情况，如果需要训练300个epoch但是训练一晚后发现在200epoch时停下是十分崩溃了，好在博主摸索到在yolov5中接续训练的方法了。
解决
1. 设置需要接续训练的结果
如果你想从上一次训练结果中回复训练，那么首先保证你的训练结果（一般都存放在
/runs/train目录下）在保存目录中代号为最大的。
如上图所示，在train文件夹下一共有6个训练结果，假设我的第4次训练中断了，想接着第4次的结果继续训练，那么只需要将比
4更大的：exp5、exp6这两个文件夹删除或者移动到其他地方，这样便设置好了需要接续训练的结果。2. 设置训练代码
代码见yolov5代码中的
train.pyif __name__ == '__main__': os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE" parser = argparse.ArgumentParser() parser.add_argument('--weights', type=str, default='../weights/yolov5s.pt', help='initial weights path') parser.add_argument('--cfg', type=str, default='./models/yolov5s.yaml', help='model.yaml path') parser.add_argument('--data', type=str, default='data/car.yaml', help='data.yaml path') parser.add_argument('--hyp', type=str, default='data/hyp.scratch.yaml', help='hyperparameters path') parser.add_argument('--epochs', type=int, default=300) parser.add_argument('--batch-size', type=int, default=32, help='total batch size for all GPUs') parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes') parser.add_argument('--rect', action='store_true', help='rectangular training') parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training') parser.add_argument('--nosave', action='store_true', help='only save final checkpoint') parser.add_argument('--notest', action='store_true', help='only test final epoch') parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check') parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters') parser.add_argument('--bucket', type=str, default='', help='gsutil bucket') parser.add_argument('--cache-images', action='store_true', help='cache images for faster training') parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training') parser.add_argument('--device', default='1', help='cuda device, i.e. 0 or 0,1,2,3 or cpu') parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%') parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class') parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer') parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode') parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify') parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers') parser.add_argument('--project', default='runs/train', help='save to project/name') parser.add_argument('--entity', default=None, help='W&B entity') parser.add_argument('--name', default='exp', help='save to project/name') parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment') parser.add_argument('--quad', action='store_true', help='quad dataloader') parser.add_argument('--linear-lr', action='store_true', help='linear LR') parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon') parser.add_argument('--upload_dataset', action='store_true', help='Upload dataset as W&B artifact table') parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval for W&B') parser.add_argument('--save_period', type=int, default=-1, help='Log model after every "save_period" epoch') parser.add_argument('--artifact_alias', type=str, default="latest", help='version of dataset artifact to be used') opt = parser.parse_args()
注意上面patser中第9个参数
resume，将其设置为default=True即可，也就是那一行代码改变为parser.add_argument('--resume', nargs='?', const=True, default=True, help='resume most recent training')
接下来运行
train.py就不会产生新的exp ，而是在最新的exp上接续训练，如下图所示：# 接着训练，注意修改了train.py中--resume参数default=True，不会产生新的exp，在最大的exp处 python train.py --data ./data/dnf.yaml --cfg ./models/yolov5m.yaml --weights '' --epoch 300 --device 0 # 使用训练好的权重接着训练，train.py中--resume默认参数default=False，会产生新的exp python train.py --data ./data/dnf.yaml --cfg ./models/yolov5m.yaml --weights ./runs/train/exp2/weights/best.pt --epoch 300 --device 0
我们在使用yolov5提供的权重，也就是像yolov5s.pt之类的文件时就是使用了官方提供的模型接续训练的。
我们每次训练模型时都会生成新的模型结果，存放在
/runs/train/expxxx/weights下，接续训练就是将上次训练一半得到的结果拿来和模型结合进行训练。具体来说：如果最终训练目标是300个epoch，上次训练完了139个epoch，那么就是将第139个epoch得到的权重载入到模型中再训练161个epoch便可等效为训练了300个epoch。
