YOLOv5训练自己数据集（详细易懂版）
YOLOv5作为图像检测界的一哥，检测效果毋庸置疑，本篇文章就带你一起手把手教学YOLOv5实现
1.下载YOLOv5源码
官方下载地址：GitHub - ultralytics/yolov5: YOLOv5 in PyTorch > ONNX > CoreML > TFLite
考虑到有些小伙伴没有科学上网的途径，也可以在我的网盘里提取源码
网盘链接：百度网盘 请输入提取码
提取码：639k
目录结构就是这样
这里的数据集就用具有代表性的钢材表面缺陷数据集，总共是6个类别，每个类别是400张图像。
如果大家想使用自己数据集进行训练，可以继续往下读，我会介绍如何制作数据集
2.修改配置文件
（1）复制data目录下的VOC.yaml文件，起名为voc_bm（当然也可以自己命名），修改成以下格式。
这里的路径信息按照我这样写就行。对于验证集（这里仅针对需要做评估实验的同学，如果想要实现我这个项目这样就行了，不用看下图），可以写成如下格式，当然要有自己的测试集，不然白写。
（2）复制models文件夹下的yolov5s.yaml文件，命名为yolov5s_bm。这里只需要修改类别为6就行，对应自己数据集的类别
3.训练参数指定
打开终端（CMD），切换到自己的虚拟环境，运行下列代码即可训练
python train.py --data data/voc_bm.yaml --cfg models/yolov5s_bm.yaml --batch-size 16 --epochs 300 --workers 4 --name yolov5s
这里解释以下这些参数的作用：
--data和--cfg就是咋们上述的参数配置，--batch-size 16这里是批处理大小，这个参数看自己显存大小，如果自己配置好就16，否则就4或者1都行。具体的影响就是最终生成的runs文件夹下的训练过程图像，如果是16，那一幅图中就会有16张训练图像结果，如果是1的话就是生成单个图像。
--epoch是训练次数，一般科研学术都是300轮，其实要不了这么多，一般200轮就可以开始收敛了，如果不想训练长时间，就可以减少次数，一般yolov5在100轮就有这样的效果。
--worker表示工作的线程数，这个也开始根据自己的配置定，如果设备不错也可以体验8线程带来的快感！
--name 表示最终会生成一个文件夹runs，runs文件夹下会又有一个文件夹名称（存放训练结果），因此这个按个人喜好来命名。
这样为了探究其他参数，咋们多说一点
parser = argparse.ArgumentParser()
parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')
# parser.add_argument('--weights', type=str, default=ROOT / '', help='initial weights path')
parser.add_argument('--cfg', type=str, default='', help='model.yaml path')
parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')
parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')
parser.add_argument('--epochs', type=int, default=300)
parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')
parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')
parser.add_argument('--rect', action='store_true', help='rectangular training')
parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
parser.add_argument('--noval', action='store_true', help='only validate final epoch')
parser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')
parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')
parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
parser.add_argument('--cache', type=str, nargs='?', const='ram', help='--cache images in "ram" (default) or "disk"')
parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='SGD', help='optimizer')
parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')
parser.add_argument('--project', default=ROOT / 'runs/train', help='save to project/name')
parser.add_argument('--name', default='exp', help='save to project/name')
parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
parser.add_argument('--quad', action='store_true', help='quad dataloader')
parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler')
parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
parser.add_argument('--patience', type=int, default=100, help='EarlyStopping patience (epochs without improvement)')
parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone=10, first3=0 1 2')
parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')
parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')
# Weights & Biases arguments
parser.add_argument('--entity', default=None, help='W&B: Entity')
parser.add_argument('--upload_dataset', nargs='?', const=True, default=False, help='W&B: Upload data, "val" option')
parser.add_argument('--bbox_interval', type=int, default=-1, help='W&B: Set bounding-box image logging interval')
parser.add_argument('--artifact_alias', type=str, default='latest', help='W&B: Version of dataset artifact to use')
opt = parser.parse_known_args()[0] if known else parser.parse_args()
return opt
--weights：是否使用预训练权重，如果不想使用预训练权重可以空，一般预训练权重会比自己训练结果好一些
--cfg：这不就是咋们说的训练参数吗？
--data：同上
--hyp：超参数设置就在里面
--epoch：训练次数
--batch-size：批处理大小
--imgsz：训练集或测试集图像尺寸，默认640，可以不用修改
--rect：作用未知（猜想是画矩形框用的）
--resume：重新训练
--nosave：默认就行
。。。。。
。。。。。
太多了，我列举几个重要的
--device：默认就行，但如果有多个gpu，可以写0，1，2，3
--optimizer：默认就行，就是选择用哪个优化器（控制梯度下降）
--workers：线程数
4.部分新手训练者会在Pycharm中训练，那他的第三步就可以在解释器中进行
（1）打开pycharm，右击
填入以下参数，直接复制粘贴即可
--data data/voc_bm.yaml --cfg models/yolov5s_bm.yaml --weights '' --batch-size 16 --epochs 100 --workers 4 --name yolov5s
之后确定运行即可。
5.结果
进入runs下的yolov5s文件夹下查看，这是所有关于训练的信息
咋们看看训练过程中的图像。
