如何在自定义数据集上训练YOLOv5

作者|Jacob Solawetz, Joseph Nelson 编译|Flin 来源|blog

YOLO系列的目标检测模型随着YOLOv5的引入变得越来越强大。在这篇文章中，我们将介绍如何训练YOLOv5为你的定制用例识别定制对象。

非常感谢Ultralytics将此存储库组合在一起。我们相信，与干净的数据管理工具相结合，任何希望在其项目中部署计算机视觉项目的开发人员都可以轻松地使用此技术。

我们使用公共血细胞检测数据集，你可以自己导出。你也可以在自己的自定义数据上使用本教程。

• 公共血细胞检测数据集：https://public.roboflow.ai/object-detection/bccd

为了训练探测器，我们采取以下步骤：

• 安装YOLOv5依赖项

• 下载自定义YOLOv5对象检测数据

• 定义YOLOv5模型配置和架构

• 训练一个定制的YOLOv5探测器

• 评估YOLOv5性能

• 可视化YOLOv5训练数据

• 对测试图像运行YOLOv5推断

• 导出保存的YOLOv5权重以供将来推断

YOLOv5:有什么新鲜的吗?

就在两个月前，我们对googlebrain引入EfficientDet感到非常兴奋，并写了一些关于EfficientDet的博客文章。我们认为这个模型可能会超越YOLO家族在实时目标探测领域的突出地位——事实证明我们错了。

三周内，YOLOv4在Darknet框架下发布，我们还写了更多关于分解YOLOv4研究的文章。

在写这篇文章之前几个小时，YOLOv5已经发布，我们发现它非常清晰明了。

YOLOv5是在Ultralytics-Pythorch框架中编写的，使用起来非常直观，推理速度非常快。事实上，我们和许多人经常将YOLOv3和YOLOv4 Darknet权重转换为Ultralytics PyTorch权重，以便使用更轻的库更快地进行推理。

YOLOv5比YOLOv4表现更好吗？我们很快会向你介绍，你可能对YOLOv5和YOLOv4有了初步的猜测。

YOLOv5与EfficientDet的性能对比

YOLOv4显然没有在YOLOv5存储库中进行评估。也就是说，YOLOv5更易于使用，而且它在我们最初运行的定制数据上表现非常出色。

我们建议你在 YOLOv5 Colab Notebook 中同时进行接下来的操作。

• https://colab.research.google.com/drive/1gDZ2xcTOgR39tGGs-EZ6i3RTs16wmzZQ

安装YOLOv5环境

从YOLOv5开始，我们首先克隆YOLOv5存储库并安装依赖项。这将设置我们的编程环境，准备好运行对象检测训练和推理命令。</