YOLOv5 是目前非常流行的目標檢測模型，因其高效性和易用性受到廣泛關(guān)注。如果你想用 YOLOv5 訓(xùn)練自己的數(shù)據(jù)集來完成特定任務(wù)（例如檢測特定物體），本文將為你提供一個清晰的分步驟指南，幫助你從零開始完成訓(xùn)練過程。

一、準備工作

在開始訓(xùn)練之前，需要做好以下準備：

1. 安裝環(huán)境

Python 環(huán)境：確保你的電腦安裝了 Python 3.8 或更高版本。

克隆 YOLOv5 倉庫：在 GitHub 上找到 Ultralytics 的 YOLOv5 倉庫，使用命令克隆到本地：

     ```bash

     git clone https://github.com/ultralytics/yolov5.git

     cd yolov5

     ```

安裝依賴：進入 yolov5 文件夾后，安裝所需庫：

     ```bash

     pip install -r requirements.txt

     ```

硬件支持：如果有 GPU，需安裝 CUDA 和 cuDNN 以加速訓(xùn)練。

2. 準備數(shù)據(jù)集

收集圖片：準備包含目標物體的圖片，數(shù)量建議在數(shù)百到數(shù)千張之間，視任務(wù)復(fù)雜性而定。

標注數(shù)據(jù)：使用標注工具（如 LabelImg、MakeSense）為圖片生成 YOLO 格式的標簽文件。每個圖片對應(yīng)一個 `.txt` 文件，內(nèi)容為：

     ```

     <class_id> <x_center> <y_center> <width> <height>

     ```

     其中，坐標和尺寸需歸一化（即除以圖片寬高）。

數(shù)據(jù)集劃分：將數(shù)據(jù)集分為訓(xùn)練集（70%）、驗證集（20%）和測試集（10%），并按以下結(jié)構(gòu)組織：

     ```

     dataset/

       images/

         train/

         val/

         test/

       labels/

         train/

         val/

         test/

     ```

3. 配置文件

數(shù)據(jù)配置文件（`data.yaml`）：創(chuàng)建一個 YAML 文件，指定數(shù)據(jù)集路徑和類別。例如：

     ```yaml

     train: ./dataset/images/train/

     val: ./dataset/images/val/

     nc: 2  類別數(shù)

     names: ["cat", "dog"]  類別名稱

     ```

模型配置文件：YOLOv5 提供多種模型（如 `yolov5s.yaml`、`yolov5m.yaml`），選擇一個適合的模型配置文件（位于 `models/` 文件夾）。如需調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，可直接修改。

二、訓(xùn)練模型

準備好數(shù)據(jù)和環(huán)境后，可以開始訓(xùn)練：

1. 運行訓(xùn)練命令

   在終端中運行以下命令啟動訓(xùn)練：

   ```bash

   python train.py --img 640 --batch 16 --epochs 50 --data data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt

   ```

`--img`：輸入圖片大�。ńㄗh 640x640）。

`--batch`：批次大小，根據(jù)顯存調(diào)整（如 16、32）。

`--epochs`：訓(xùn)練輪數(shù)，通常 50-300 輪。

`--data`：數(shù)據(jù)配置文件路徑。

`--cfg`：模型配置文件路徑。

`--weights`：預(yù)訓(xùn)練權(quán)重路徑（可從 YOLOv5 官方下載）。

2. 監(jiān)控訓(xùn)練過程

訓(xùn)練時會在終端顯示損失值（Loss）和精度指標（mAP）。

結(jié)果保存在 `runs/train/exp` 文件夾中，包括模型權(quán)重（`best.pt` 和 `last.pt`）和訓(xùn)練日志。

3. 調(diào)整超參數(shù)（可選）

   如果效果不佳，可調(diào)整學(xué)習(xí)率（默認 0.01）或數(shù)據(jù)增強參數(shù)（在 `data/hyp.scratch.yaml` 中修改）。

三、測試與驗證

訓(xùn)練完成后，驗證模型性能：

1. 驗證模型

   使用驗證集測試：

   ```bash

   python val.py --data data.yaml --weights runs/train/exp/weights/best.pt --img 640

   ```

   輸出會顯示 mAP（平均精度均值）等指標。

2. 測試單張圖片

   檢測單張圖片的效果：

   ```bash

   python detect.py --source path/to/image.jpg --weights runs/train/exp/weights/best.pt --img 640

   ```

   結(jié)果保存在 `runs/detect/exp` 文件夾中。

四、優(yōu)化與部署

根據(jù)測試結(jié)果優(yōu)化模型，并準備部署：

1. 優(yōu)化模型

增加數(shù)據(jù)：如果精度不足，增加更多標注數(shù)據(jù)。

調(diào)整模型：嘗試更大的模型（如 `yolov5m` 或 `yolov5l`）。

微調(diào)參數(shù)：調(diào)整 `detect.py` 中的置信度閾值（`--conf-thres`）和 IoU 閾值（`--iou-thres`）。

2. 模型導(dǎo)出

   將模型導(dǎo)出為其他格式（如 ONNX 或 TensorRT）以便部署：

   ```bash

   python export.py --weights runs/train/exp/weights/best.pt --include onnx

   ```

3. 部署應(yīng)用

   根據(jù)需求，將模型集成到實際項目中，例如嵌入到攝像頭實時檢測系統(tǒng)。

五、常見問題與解決

1. 訓(xùn)練時間過長：檢查批次大小是否過小，或是否使用了 GPU。

2. 檢測效果差：確認數(shù)據(jù)集質(zhì)量、標注準確性，或增加訓(xùn)練輪數(shù)。

3. 內(nèi)存不足：降低 `--batch` 或 `--img` 參數(shù)。

總結(jié)

通過以上步驟，你可以使用 YOLOv5 成功訓(xùn)練自己的數(shù)據(jù)集。從環(huán)境配置到數(shù)據(jù)準備，再到模型訓(xùn)練和優(yōu)化，每一步都至關(guān)重要。建議初次嘗試時從小規(guī)模數(shù)據(jù)集開始，熟悉流程后再擴展到更大任務(wù)。

本文鏈接：http://m.51huadong.com/cloundnews/11013849.html