目录
a.Roboflow: Give your software the power to see objects in images and video
c.会在这个路径下产生两个.pt，一个是best一个last
d.最后将这个训练完的best.pt放到detect.py作为一个权重文件，最后直接run行了。
a.https://colab.research.google.com
d.将训练完成的的best.pt下载下来，替换detect的权重路径即可。
小样本成果展示
华北理工一角yolov5检测
说在前面一些配置
Cuda11.4+Cudnn8.2.4
![[Yolov5]模型选择，参数修改，目标检测，训练数据集以及训练自己数据集全过程。](https://johngo-pic.oss-cn-beijing.aliyuncs.com/articles/20230524/9f0d4a98577444a2a6b6387ef0563f0a.png)
![[Yolov5]模型选择，参数修改，目标检测，训练数据集以及训练自己数据集全过程。](https://www.johngo689.com/wp-content/themes/justnews/themer/assets/images/lazy.png)
1.Yolov5模型与像素大小。
![[Yolov5]模型选择，参数修改，目标检测，训练数据集以及训练自己数据集全过程。](https://johngo-pic.oss-cn-beijing.aliyuncs.com/articles/20230524/1ec50f5a854b4ce4b095edf3410ca05f.png)
2.常用参数
a.detect.py
‘–weights’ #选择网络模型，路径选择.pt文件
‘–source’ #待检测图片路径
b.train.py
‘–weights’ #选择网络模型
‘–cfg’ #关于模型的配置，可修改为model下的.yaml
‘–data’ #可修改为data下的.yaml一些数据集
‘–hyp’ #超参数，用于对应模型的微调
‘–epochs’ #训练多少轮
‘–batch-size’ #尽量调小一点，最好是2的幂次方
‘–imgsz’, ‘–img’, ‘–img-size’#
‘–rect’ #矩阵，满足网络模型要求，对图像进行部分填充，最小填充
‘–resume’ #在某一模型基础上继续训练，指定之前训练的last.pt
‘–noautoanchor’#默认开启锚点
‘–evolve’ #寻找最优秀参数的方式
‘–bucket’
‘–cache’ #是否对图片进行缓存
‘–image-weights’
‘–device”–multi-scale’ #图片尺寸变换
‘–single-cls’
‘–adam’ #选择优化器
‘–project’ #项目默认保存位置
‘–quad’
‘–linear-lr’ #以线性方式学习
3.如何目标检测
a.Pycharm
直接选择需要的模型权重，待检测图片路径以及以及（如果需要的话）修改上述其他参数
b.Linux
Python 待运行.py –参数1 参数值 –参数2 参数值
Ex：python val.py –data coco.yaml –img 640 –conf 0.001 –iou 0.65
4.如何训练别人数据集
修改以下参数，直接运行就行，Linux同上。
‘–weights’#选择网络模型.pt
‘–cfg’#关于模型的配置，可修改为model 下的.yaml
‘–data’#可修改为data 下的.yaml 一些数据集
5.如何训练属于自己的数据集
到这个网址训练自己的数据集。
记得导出为yolo格式，解压后如下图。
![[Yolov5]模型选择，参数修改，目标检测，训练数据集以及训练自己数据集全过程。](https://johngo-pic.oss-cn-beijing.aliyuncs.com/articles/20230524/2a6c07e1e96a4c258c4c2d610280d0a1.png)
b.修改下面参数，选择需要训练的模型，
但是记得weights和cfg也就是选择的网络模型要与配置的.yaml对应。
‘–data’ #可修改为data下的.yaml一些数据集
(这个要选择自己在上述网站做好的训练配置，比如这个地方是)
parser.add_argument('--data', type=str, default=ROOT / 'mydata.v1i.yolov5pytorch/data.yaml', help='dataset.yaml path')
c.会在这个路径下产生两个.pt，一个是best一个last
‘runs/train/exp7/weights/best.pt’
d.最后将这个训练完的best.pt放到detect.py作为一个权重文件，最后直接run行了。
6.云端GPU训练数据集。
b.上传自己yolo包。
c.
!unzip /content/yolov5-6.0.zip -d /content/yolov5 ORtar -zxvf /content/yolov5-6.0.tar -d /content/yolov5
%cd /content/yolov5/yolov5-6.0
!pip install -r requirements.txt
%load_ext tensorboard
%tensorboard –logdir=runs/data
!python train.py –rect
!python train.py –rect –data=data/coco.yaml //或者指定其他数据集
![[Yolov5]模型选择，参数修改，目标检测，训练数据集以及训练自己数据集全过程。](https://johngo-pic.oss-cn-beijing.aliyuncs.com/articles/20230524/e660924d949842a0a46d52cbfe16f35f.png)
d.将训练完成的的best.pt下载下来，替换detect的权重路径即可。
Original: https://blog.csdn.net/weixin_42245756/article/details/123927786
Author: Rush_Coding
Title: [Yolov5]模型选择，参数修改，目标检测，训练数据集以及训练自己数据集全过程。
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/519033/
转载文章受原作者版权保护。转载请注明原作者出处！