YOLOV5：在本地电脑训练模型

最新推荐文章于 2025-03-25 10:09:06 发布
最新推荐文章于 2025-03-25 10:09:06 发布
阅读量4.8k 收藏 62
点赞数 7
分类专栏： 机器学习入门 文章标签： pytorch windows 深度学习 计算机视觉 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44630522/article/details/122435011
版权

相关文章

一、Python入门环境配置：Anaconda3与pycharm安装教程

二、labelimg应用：数据集标记

三、Windows下搭建Pytorch环境(CPU 版）

四、Windows下搭建Pytorch环境（超详细）

目录

一、YOLOV5环境搭建

(官方要求：python>=3.6.0，pytorch>=1.7）

1、下载整个项目到本地桌面

在这里插入图片描述

2、【点击】
在这里插入图片描述

3、拉到页面最下面，下载模型文件 到yolov5 目录
在这里插入图片描述
在这里插入图片描述

4、安装yolov5所需要的库

  • 方法一（此方法较慢）：

    右键 requirements.txt 【属性】，复制【位置】
    在这里插入图片描述

    快捷键：Ctrl + r 打开 cmd ， cd 到requirements.txt 所在的目录
    在这里插入图片描述

    输入 pip install -r requirements.txt 指令，然后等待安装即可
    在这里插入图片描述

  • 方法二（利用国内镜像源下载requirements.txt的所需库，速度较快）：

    同上，右键 requirements.txt 【属性】，复制【位置】

    cd 转到 requirements.txt 目录
    在这里插入图片描述

    输入pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple,然后等待安装即可
    在这里插入图片描述

二、数据集准备

  1. 在 YOLOv5目录 下 新建一个文件夹 train_data
    在这里插入图片描述

    在 train_data 内再新建文件夹，结构如下：

    						 ———— trian	   
					    |
			———— images -
		   |		    |
     	   |		     ———— val       
train_data-
	   	   |		 	 ———— train
最低0.47元/天 解锁文章
完整复现YOLOv8:包括训练、测试、评估、预测阶段【本文源码已开源,地址在文章末尾】
源代码杀手的博客
01-13 1万+
（这里主要是在colab.research.google.com实现的，本地的配置也是类似的方法）YOLOv8是一种用于目标检测的深度学习算法。主要参考：https://github.com/ultralytics/ultralytics/blob/main/README.zh-CN.md。yolov8的权重：https://github.com/ultralytics/assets/releases。yolov8的文档：https://v8docs.ultralytics.com/
使用GPU云服务器训练yolov5模型
最新发布
分享IT行业各种技术经验，从入门到入行，关注我学习更多知识。
04-14 693
本地计算机的 GPU 性能通常不足，训练时需长时间等待，效率极低，大大延长项目开发周期。而使用 GPU 云服务器训练 YOLOv5 可有效解决这些问题。它计算资源强大，能显著提升训练速度、缩短训练时间等。
yolov5：训练自己的数据模型
qq_41478219的博客
07-29 5022
利用yolov5模型，训练自己的数据模型
K210学习笔记（十二）——MaixHub本地训练模型（Windows）
Thousand_drive的博客
04-25 1万+
文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结
AI大模型的本地驯服——如何在自己电脑上训练一个专属大模型
HELLO_CPY的博客
03-25 1564
2025年3月12日记 这是我第一次实现大模型的微调训练，电脑的配置是显卡NVIDIA GeForce RTX 3050 Ti Laptop GPU，三年前的笔记本了，不过还是能跑起来的，训练的是Deep Seek-r1 的 1.5B 模型，之前跑 7B 的直接卡死了。如果大家有更好的显卡，可以尝试一下。那么废话不多说，直接开始！（默认大家有一定的基础）
YOLOv5本地训练详细步骤＋教程
萌哒哒的CXY
08-21 2412
1.首先安装requirements.txt里面需要的包 pip install -r requirements.txt 2.将train里面的worker的default改为0 3.就可以运行train.py文件了 代码会自动从github上下载coco128数据集
AI大模型零基础入门学习路线(非常详细)从入门到精通，看这篇就 够了
2401_85379281的博客
08-15 2100
学习AI大模型从零基础入门到精通是一个循序渐进的过程，涉及到理论知识、编程技能和实践经验。下面是一份详细的指南，帮助你从头开始学习并逐步掌握AI大模型的构建与应用。
yolov5本地部署以及训练模型(踩过的坑全在这了)
rnnf_yyds的博客
01-26 2668
去github官网拉取搜索yolov5点击第一个点击tags，选择6.0版本兼容性较好，一定要装6.0！！！！其它版本真的不行！！！一堆问题毛病拉到最底部，点击下载Source code.zip源代码压缩包。
图文带着训练自己yolov5模型，可跟着步骤训练自己的小模型
m0_67090877的博客
04-28 3784
目录 步骤流程图： 安装Anaconda Prompt 数据集采集 labelImg标注数据集 labelImg下载标记 配置labelImg环境 使用lablimg进行标记 训练自己的yolov5模型 举例Google Colaboratory 第一步：进入到Google drive新建---文件夹—yolov5helmet，用于存放项目 第二步：打开 Google Colaboratory网页，进入到 Google Colaboratory， 第三步：修改笔记本设置----设置.
YOLOv4：目标检测模型在pytorch中的实现
qq_70960504的博客
04-28 378
首先，根据数据集中的不同类别（猫、狗、游客）进行分层，然后在每个类别内部按照一定比例进行划分。同时，也可以通过对误检和漏检的样本进行分析，找出模型存在的问题并进行针对性的优化。通过对图像中的目标进行检测，车辆可以识别行人、车辆、交通信号灯等关键元素，从而做出正确的驾驶决策，避免潜在的危险。对于划分好的数据集，还需要进行预处理，如图像缩放、归一化等，以适应YOLOv4模型的输入要求。经过优化的模型可以在手机或平板电脑上实现高效的图像识别功能，为用户提供便捷的目标检测体验。
YOLOv5 神经网络训练（本地训练）
keep on going
05-05 1948
在训练文件train.py中 找到main的部分 if __name__ == '__main__': parser = argparse.ArgumentParser() parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path') parser.add_argument('--cfg', type=str, default='', help='mo.
五个简单好用的本地运行大模型的方法
wjianwei666的专栏
04-21 1601
像ChatGPT、Claude.ai和phind这样的聊天机器人非常有用，但可能并不总是希望的问题或敏感数据由外部应用程序处理。在平台上尤其如此，在这些平台上，你的互动可能会被人类审查，并以其他方式用于帮助训练未来的模型。一种解决方案是下载一个大型语言模型（LLM）并在自己的机器上运行它。这样一来，外部公司就永远无法访问的数据。这也是尝试一些新专业模型的一个快速选择，如Meta最近宣布的Code Llama系列模型，这些模型经过了编码调整，以及Seamless M4T，旨在实现文本到语音和语言翻译。
Yolov5学习笔记(1)——训练出自己的模型
一个码农儿
11-12 7957
本教程系列将从模型训练开始，从0开始带领你部署Yolov5模型到jetson nano上 这是本系列的第一部分内容 1.Yolov5介绍
Azure Arc机器学习第2部分：使用支持Azure Arc的机器学习在本地训练机器学习模型
寒冰屋的专栏
08-31 338
在这里，我们将支持GPU的本地Kubernetes集群连接到Azure Arc，在Azure ML笔记本中使用TensorFlow创建一个简单的文本或图像分类模型，并展示如何在我们之前附加的支持Arc的Kubernetes集群上训练模型文章。.........
使用Yolov5训练自己的模型
热门推荐
ylclaire的博客
02-23 1万+
本文主要介绍如何运用开源Yolov5模型，结合自己的数据，训练其他目标检测模型。 基础准备工作： anaconda 适用Yolov5的虚拟环境 git上下载Yolov5并调通测试代码https://github.com/ultralytics/yolov5https://github.com/ultralytics/yolov5 本次用的环境： python==3.7 pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.0 cudatoolk
YOLOV5训练自己的模型
好好先生
10-07 4334
0. 工具版本 Python 3.8.5 pycharm 2020.1.3 YOLO V5 PyTorch 1.6.0 其他依赖包 1. 搭建环境 从yovoV5官方网站下载源代码 解压源程序，复制到项目目录下。我这里的项目名是yolo v5 安装第三方依赖包，使用到的依赖包已经在requirements.txt记事本文件中。所以只用在控制台中执行以下命令：pip insatll -U -r requirements.txt 2. 准备数据 ...
Yolov5训练自己的模型（检测人和安全帽）
m0_65756321的博客
12-30 2318
一. 准备 下载VOC数据或者自己收集的图片 确保有jpg和xml文件 生成train.txt，val.txt，test.txt和trainval.txt四个文件，存放训练集、验证集、测试集图片的名字（无后缀.jpg） 参考代码：split_train_val.py # coding:utf-8 import os import random import argparse parser = argparse.ArgumentParser() #xml文件的地址，根据自己的数...
目前有什么可以本地部署的大模型推荐？
qq_35054222的博客
05-22 9969
开源大模型更新迭代太快，今年刚推出的模型可能过几个月就过时了。关于这个问题，我想更多的不是思考现在能部署哪些大模型，而是要思考三个方面： 一是如何找到最新的大模型， 二是如何判断本地硬件资源是否满足大模型的需求， 三是如何快速部署大模型。
自己的电脑用 pycham yolov5 训练模型
10-16
PyCharm是一款流行的Python集成开发环境（IDE），而YOLOv5是一种先进的目标检测算法，它是YOLO（You Only Look Once）系列的最新版本。要在你的电脑上使用PyCharm训练YOLOv5模型，你需要按照以下步骤操作： 1. **安装依赖**：确保你的计算机已经安装了Python和必要的库，如TensorFlow或PyTorch（YOLOv5默认使用PyTorch）。你可以通过pip安装它们： ``` pip install torch torchvision ``` 2. **下载YOLOv5**：从GitHub克隆YOLOv5项目到本地： ``` git clone https://github.com/ultralytics/yolov5.git cd yolov5 ``` 3. **设置项目**：打开PyCharm，选择“Open"，找到YOLOv5目录并导入项目。配置项目路径和数据集路径。 4. **运行训练脚本**：在PyCharm中，导航到包含训练脚本（如train.py）的文件夹，然后右键点击并选择“Run”。 5. **配置训练选项**：根据需要调整训练参数，如batch size、epochs等，可以编辑config文件或命令行传递参数。 6. **监控训练过程**：在训练过程中，你可以在控制台看到模型的学习进度和性能指标。 注意：训练深度学习模型可能需要大量的计算资源，特别是对于较大的数据集和复杂的模型结构。确保你的电脑满足足够的内存和GPU需求，如果条件有限，可以选择适当的数据分片或使用更小的模型。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值