在国产芯片上实现YOLOv5/v8图像AI识别-【1.3】YOLOv5的介绍及使用（训练、导出）更多内容见视频

本专栏主要是提供一种国产化图像识别的解决方案，专栏中实现了YOLOv5/v8在国产化芯片上的使用部署，并可以实现网页端实时查看。根据自己的具体需求可以直接产品化部署使用。

B站配套视频：https://www.bilibili.com/video/BV1or421T74f

数据训练

上一篇博客里面我们已经获得了标注好的数据以及图片，接下来我们就要开始训练过程。

数据整备阶段

首先在yolov5的目录下创建一个datasets目录，这一步是个人习惯，我们将要训练的数据都会放在这里。

所有的数据需要按照目录规范进行放置，通常train、val的分配比例为8:2，images和labels里面的内容需要对应。

yaml文件准备阶段

编写数据说明文件和结构说明文件，找到data目录下创建一个yaml文件，此处以我个人创建的举例。

数据yaml文件

可以直接复制目录中的coco128.yaml进行修改，将其中的download部分删掉。然后更具自己数据的存放路径进行配置。

train 写训练图片的完整路径，经过多次尝试，写相对路径会有问题。
val 写验证图片的完整路径。系统会自动找到对应的labels目录。
test 可以不用写，对训练结果不会有影响。
nc 写你需要识别的数量。
names 写你需要识别的类别，此处循序一定要注意。

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# COCO128 dataset https://www.kaggle.com/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Example usage: python train.py --data coco128.yaml
# parent
# ├── yolov5
# └── datasets
#     └── coco128  ← downloads here (7 MB)


# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
# path: ../datasets/cx  # dataset root dir
train: /app/docs/yolov5_v7.0/datasets/cx/images/train  # train images (relative to 'path') 128 images
val: /app/docs/yolov5_v7.0/datasets/cx/images/train  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes
nc: 2  # number of classes
names: ['good','bad']  # class names

结构yaml文件

打开model目录，找到下面的yaml文件，此处系统已经默认了一些模型文件。通常不需要进行模型魔改的情况下可以基于pt训练，如果需要魔改模型需要自己重新设置一个yaml文件。此处举例看一下。

下文是一个修改后的s模型文件，主要修改的就是nc，其他内容如果没有学习过模型魔改就不要动。

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 2  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]