详解Windows系统如何使用YOLOv5训练自己的目标检测数据集

1. 前言

YOLOv5 🚀 是世界上最受欢迎的视觉 AI，代表 Ultralytics 对未来视觉 AI 方法的开源研究，结合了经过数千小时的研究和开发而形成的经验教训和最佳实践。

2. 使用yolov5训练自己数据集的基本流程

1. 给自己的电脑安装CUDA和CuDNN，参考：详解 Windows 10 安装 CUDA 和 CUDNN
2. 使用合适的工具制作一个符合yolov5需求的数据集，可使用LabelImg进行制作，参考：Windows系统中数据标注软件LabelImg的安装和基本使用
3. 从GitHub上面克隆或者下载Ultralytics的yolov5代码：https://github.com/ultralytics/yolov5
4. 配置yolov5代码运行的Python环境。
5. 使用yolov5训练自己的数据集，包括：
   • 编写自己数据集yaml配置文件
   • 选择一个合适的yolov5模型
   • 调用train.py进行训练，主要包括以下两种方式：
     • 直接修改train.py中的参数，然后运行train.py文件
     • 通过命令行代码运行train.py文件，并传入相关参数。

下面yolov5使用参考假设你已经给自己的电脑安装好CUDA和CuDNN，并且也已经制作完成了一个符合yolov5要求的自定义数据集。

3. 下载yolov5代码

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

4. 配置YOLOv5运行环境

1. Anaconda创建一个Python虚拟环境，建议直接命名yolov5

conda create --name yolov5 python=3.9

2. 优先安装PyTorch，在安装requirements需要的第三方库（PyTorch官网：https://pytorch.org/）
   需要安装不同版本的PyTorch指令参考：https://pytorch.org/get-started/previous-versions/

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

3. pip安装requirements.txt。

pip install -r requirements.txt

5. 准备自己的目标检测数据集

YOLOv5支持多种数据集目录组织结构：1.1) directory: path/images/2.2) file: path/images.txt3.3) list: [path1/images/, path2/images/]。不同的组织方式也对应了下面数据集yaml文件的配置方式。

• 方式1：
  数据集图片和标签置于同一个文件夹下：./train/images/、../train/labels/、./val/images/、./val/images/。
• 方式2（推荐👍👍）：
  数据集和训练集的标签置于不同的文件夹下：./images/train/、./images/val/、./labels/train/、./labels/val/。

6. 训练自己的数据集

6.1 数据集YAML文件的配置

采用5中方式2的数据集组织方式配置自己的数据集yaml文件，例如：coco28.yaml。注意此处的配置文件应该和下面6.2中的训练命令–data参数值匹配。

path: ../datasets/coco128  # 数据及根目录
train: images/train2017  # 训练集图片地址 (相对于'path')
val: images/train2017  # 验证集图片地址 (相对于'path')
test:  # 测试集图片地址 (可选)

# 数据集标签类别，有多少就写多少
names:
  0: person
  1: bicycle

# 数据集下载脚本或者URL (可选，不填即可)
download: 

6.2 命令行训练

执行下述命令即可训练自己的数据集了，训练所需的其他参数参考6.3。

python train.py --data coco128.yaml --epochs 300 --weights '' --cfg yolov5n.yaml  --batch-size 128

6.3 训练脚本train.py命令行参数说明

参数	说明	参数	说明
–weights	预训练权重文件的存储地址	–cfg	模型yaml配置文件地址
–data	数据集配置yaml文件地址	–hyp	训练网络的一些超参数设置(一般用不到)
–epochs	训练轮数	–batch-size	训练时batch的大小
–imgsz	输入图片的尺寸，一般为640	–rect	是否采用矩形训练
–resume	指定之前训练的网络模型，并继续训练这个模型	–nosave	是否只保留最后一次的网络模型
–noval	是否只在最后一次进行测试	–noautoanchor	是否采用自动锚框
–noplots	是否不绘制训练结果	–evolve	是否自动进化寻找最优参数
–bucket	是否上传到谷歌云盘，方便下载	–cache	是否对图片进行缓存，可以加快训练
–image-weights	对训练不太好的图片增加权重	–device	训练采用的设备
–multi-scale	训练过程中对图片进行尺度变换	–single-cls	训练数据集是单类别还是多类别
–optimizer	优化器，默认SGD	–sync-bn	多 GPU 进行分布式训练
–workers	最大的数据加载器数	–project	训练结果存储的根目录
–name	每一次训练结果存储目录	–exist-ok	是否不采用递增文件夹的存储方式
–quad	quad数据加载器	–cos-lr	cos学习率
–label-smoothing	标签平滑值，默认0.0	–patience	训练结果没有改善情况下继续训练的最大轮数
–freeze	冻结训练层数	–save-period	保存间隔
–seed	全局训练随机种子	–local_rank	自动DDP多GPU参数（没有特殊情况，请勿修改！！！）

注意：

• –cfg参数用于完全随机初始化开始训练，需要–weights为空，例如：–weights ‘’ --cfg yolov5s.yaml
• –name参数是相对于–project参数的

---

以上就是Windows系统的电脑端“详解YOLOv5训练自己的目标检测数据集！”的全部操作。“收集、整理、实测”不易，读者老爷若觉得有用，请点赞👍、收藏⭐️，谢谢支持！❤️❤️