YOLOv5训练自己的数据集详解

入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。

目录

一、YOLOv5源码下载

二、环境配置

三、创建数据集

四、更改配置

1、coco128.yaml

2、train.py

五、跑起来

六、结果呈现

---

一、YOLOv5源码下载

网址指路：GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

用git克隆下来

---

二、环境配置

文件夹中有一个文件requirements.txt，这里是环境依赖的说明

我们在终端输入pip install -r requirements.txt下载安装依赖包

---

三、创建数据集

根据你的需要创建自己的数据集

这里可以看看往期博客

制作自己的数据集_tt丫的博客-CSDN博客

在YOLOv5目录下创建文件夹data1来装我们的数据

然后data1下是images和labels

顺便提一嘴：其中labels中的txt文件里面代表的是：每一行代表标注的一个目标，第一个数字代表着这个数的类别，后面的四个数字是归一化后的的标注的中心点坐标(x,y)和归一化标注框的宽和高(w,h)。

注：这里文件夹名尽量是images和labels，不然会有各种报错，懒得去找哪里的原因，先让他跑起来吧（label也会报错，加了个s后他就乖了）

---

四、更改配置

1、coco128.yaml

他的默认训练集是coco128，所以我为了偷懒，直接在coco128.yaml里改成我的

 coco128.yaml文件在yolov5/data文件夹里

以下是我的配置情况

path: ../data1  # dataset root dir
train: images/train  # train images (relative to 'path') 128 images
val: images/train  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes
nc: 4  # number of classes
names: ['move','point','up','down']  # class names

 path：相对于在yolov5目录下而言，你的数据集文件夹的根

再次搬出这张图

 我的data1在yolov5的上一个目录里，所以是../data1

train是训练的数据集路径，val是验证的数据集路径

这里我按照原来的coco128.yaml，这两个是同一份

所以相对于path而言是images/train(我的images文件夹中还有一个train文件夹，然后里面才是我的图片）

nc：是你要检测有多少类

names是这些类的名字

2、train.py

一般也只需要改这些了

 weights是你选择的模型

data：因为我用的是coco128.yaml本身，所以我不用改~

epochs和batch-size你看着办吧

epochs是训练过程中整个数据集将被迭代多少次,显卡不行就调小些

batch-size：一次看完多少张图片才进行权重更新，同样的显卡不行就调小些

---

五、跑起来

在终端里cd到yolov5目录里（因为train.py在该目录下）

然后直接python train.py就好啦

接着就是等待~漫长的等待~

---

六、结果呈现

最终训练完毕后会在yolov5目录下生成一个runs文件夹

里面有各种各样的结果产生，我就不多说了

只说一个weights文件夹里的best.pt和last.pt

这些是权重文件，是训练后的模型保存，可以直接在detect.py文件中用起来

同样在终端输入

python detect.py --source 0 --weights runs/train/exp/weights/best.pt

这里的source 0指的是电脑摄像头为源，然后就可以最直观的看看训练成果啦~

---

欢迎大家在评论区批评指正，谢谢~