YOLOv5 使用和训练指南

1. 环境准备

安装依赖

首先，需要安装 Python 和必要的库。推荐使用 Python 3.8 或更高版本。

# 克隆 YOLOv5 仓库
git clone https://github.com/ultralytics/yolov5.git

1️⃣ 创建虚拟环境

python3 -m venv yolov5-venv

2️⃣ 激活虚拟环境

source yolov5-venv/bin/activate

进入目录

cd yolov5

3️⃣ 安装依赖

pip install -r requirements.txt

4️⃣ 推理基本使用方法（包含下载模型）

python detect.py --source data/images --weights yolov5s.pt

参数说明：
	•	--weights yolov5x.pt：使用 yolov5x 预训练模型。
	•	--source data/images：检测 data/images 文件夹中的图片，可以是单张图片、视频、摄像头（0）。
	•	--imgsz 640：输入图片大小，YOLOv5 默认 640x640。
	•	--conf-thres 0.25：置信度阈值（默认 0.25）。
	•	--iou-thres 0.45：IoU 阈值（默认 0.45）。
	•	--device 0：使用 GPU（0）或 CPU（cpu）。
	•	--save-txt：保存检测结果（文本）。
	•	--save-crop：保存裁剪出的目标图像。

5️⃣ 退出虚拟环境

deactivate

查看是否支持GPU

python -c "import torch; print(torch.cuda.is_available())"

---

2. 准备数据集

YOLOv5 支持 COCO 数据集格式 或自定义数据集。自定义数据集需包含：

• images/ 文件夹：存放训练和测试图片。
• labels/ 文件夹：存放与图片对应的 .txt 标签文件。

数据集目录结构

dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
└── labels/
    ├── train/
    ├── val/
    └── test/

标签文件格式

每行一个标注：

<class_id> <x_center> <y_center> <width> <height>

• 坐标和尺寸均为相对值（0~1 之间）。

---

3. 配置数据集

在 data/ 目录下创建 custom.yaml，内容如下：

train: dataset/images/train
val: dataset/images/val

nc: 3  # 类别数量
names: ['cat', 'dog', 'person']  # 类别名称

---

4. 训练模型

运行以下命令开始训练：

python train.py --data data/custom.yaml --cfg models/yolov5s.yaml --epochs 50 --batch-size 16 --img 640

参数说明：

• --data: 指定数据集配置文件。
• --cfg: 指定模型配置文件，yolov5s.yaml 是较小的模型。
• --epochs: 训练轮数。
• --batch-size: 每批次数据大小。
• --img: 输入图片尺寸。

---

5. 评估模型

训练完成后，可用 val.py 评估模型性能：

python val.py --weights runs/train/exp/weights/best.pt --data data/custom.yaml --img 640

---

6. 推理（检测图片/视频）

检测单张图片

python detect.py --weights runs/train/exp/weights/best.pt --source data/images/test.jpg

检测视频

python detect.py --weights runs/train/exp/weights/best.pt --source video.mp4

---

7. 导出模型

YOLOv5 支持导出为 ONNX、TensorRT 等格式：

python export.py --weights runs/train/exp/weights/best.pt --include onnx

---