如何运用YOLOv5训练自己的数据

YOLOv5 是目前非常流行的目标检测模型，因其高效性和易用性受到广泛关注。如果你想用 YOLOv5 训练自己的数据集来完成特定任务（例如检测特定物体），本文将为你提供一个清晰的分步骤指南，帮助你从零开始完成训练过程。

一、准备工作

在开始训练之前，需要做好以下准备：

1. 安装环境

Python 环境：确保你的电脑安装了 Python 3.8 或更高版本。

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

     ```bash

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

     cd yolov5

     ```

安装依赖：进入 yolov5 文件夹后，安装所需库：

     ```bash

     pip install -r requirements.txt

     ```

硬件支持：如果有 GPU，需安装 CUDA 和 cuDNN 以加速训练。

2. 准备数据集

收集图片：准备包含目标物体的图片，数量建议在数百到数千张之间，视任务复杂性而定。

标注数据：使用标注工具（如 LabelImg、MakeSense）为图片生成 YOLO 格式的标签文件。每个图片对应一个 `.txt` 文件，内容为：

     ```

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

     ```

     其中，坐标和尺寸需归一化（即除以图片宽高）。

数据集划分：将数据集分为训练集（70%）、验证集（20%）和测试集（10%），并按以下结构组织：

     ```

     dataset/

       images/

         train/

         val/

         test/

       labels/

         train/

         val/

         test/

     ```

3. 配置文件

数据配置文件（`data.yaml`）：创建一个 YAML 文件，指定数据集路径和类别。例如：

     ```yaml

     train: ./dataset/images/train/

     val: ./dataset/images/val/

     nc: 2  类别数

     names: ["cat", "dog"]  类别名称

     ```

模型配置文件：YOLOv5 提供多种模型（如 `yolov5s.yaml`、`yolov5m.yaml`），选择一个适合的模型配置文件（位于 `models/` 文件夹）。如需调整网络结构，可直接修改。

二、训练模型

准备好数据和环境后，可以开始训练：

1. 运行训练命令

   在终端中运行以下命令启动训练：

   ```bash

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

   ```

`--img`：输入图片大小（建议 640x640）。

`--batch`：批次大小，根据显存调整（如 16、32）。

`--epochs`：训练轮数，通常 50-300 轮。

`--data`：数据配置文件路径。

`--cfg`：模型配置文件路径。

`--weights`：预训练权重路径（可从 YOLOv5 官方下载）。

2. 监控训练过程

训练时会在终端显示损失值（Loss）和精度指标（mAP）。

结果保存在 `runs/train/exp` 文件夹中，包括模型权重（`best.pt` 和 `last.pt`）和训练日志。

3. 调整超参数（可选）

   如果效果不佳，可调整学习率（默认 0.01）或数据增强参数（在 `data/hyp.scratch.yaml` 中修改）。

三、测试与验证

训练完成后，验证模型性能：

1. 验证模型

   使用验证集测试：

   ```bash

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

   ```

   输出会显示 mAP（平均精度均值）等指标。

2. 测试单张图片

   检测单张图片的效果：

   ```bash

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

   ```

   结果保存在 `runs/detect/exp` 文件夹中。

四、优化与部署

根据测试结果优化模型，并准备部署：

1. 优化模型

增加数据：如果精度不足，增加更多标注数据。

调整模型：尝试更大的模型（如 `yolov5m` 或 `yolov5l`）。

微调参数：调整 `detect.py` 中的置信度阈值（`--conf-thres`）和 IoU 阈值（`--iou-thres`）。

2. 模型导出

   将模型导出为其他格式（如 ONNX 或 TensorRT）以便部署：

   ```bash

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

   ```

3. 部署应用

   根据需求，将模型集成到实际项目中，例如嵌入到摄像头实时检测系统。

五、常见问题与解决

1. 训练时间过长：检查批次大小是否过小，或是否使用了 GPU。

2. 检测效果差：确认数据集质量、标注准确性，或增加训练轮数。

3. 内存不足：降低 `--batch` 或 `--img` 参数。

总结

通过以上步骤，你可以使用 YOLOv5 成功训练自己的数据集。从环境配置到数据准备，再到模型训练和优化，每一步都至关重要。建议初次尝试时从小规模数据集开始，熟悉流程后再扩展到更大任务。

本文链接：https://www.idcbest.com/cloundnews/11013849.html