YOLOv5本地训练详细步骤＋教程

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

4.超参数 hyperparameters

注意 如果报错说memoryerror 就是内存不够 我们可以把数据集删一些 或者把batchsize改小一些

把batch-size的default(默认值)从最初的16改到1，就可以了

5.可以看出 训练以后的数据保存在runs\train\exp9里

6.修改参数

1.预处理数据
parser.add_argument('--weights', type=str, default='yolov5x.pt', help='initial weights path')
如果改变版本的话，会重新从github上下载代码
这里我们把5s改成5x

然后再运行的话就可以看到在从github上下载

这里的yolov5s也可以 替换成其他模型的预处理数据，改成相应的文件夹名字就可以

2.配置文件
parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='model.yaml path')

这里的default是可以选择模型
里面有一些参数设置和模型结构

3.数据集
parser.add_argument('--data', type=str, default='data/coco128.yaml', help='data.yaml path')

这里默认的是coco128
还可以选argoverse、coco、voc

nc:80 是指一共有80个类别
然后下面的names是类别的名称

4.超参数
parser.add_argument('--hyp', type=str, default='data/hyp.scratch.yaml', help='hyperparameters path')

一个是用于coco数据集的，一个是用于voc的

这是用于coco数据集的：

5.epoch和batch_size
epoch是训练的轮数
parser.add_argument('--epochs', type=int, default=100) parser.add_argument('--batch-size', type=int, default=1, help='total batch size for all GPUs')

6.image sizes
设置图片的大小
parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes')

7.锚点
yolov5里面默认是没有开启的，有指令才会开启
parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')

8.学习率
parser.add_argument('--linear-lr', action='store_true', help='linear LR')