YOLO系列的目标检测模型随着YOLOv5的引入变得越来越强大了。在这篇文章中，我们将介绍如何训练YOLOv5为你识别自己定制的对象。

本文我们使用公共血细胞检测数据集，你可以自己导出，也可以在自己自定义数据上使用本教程。公共血细胞检测数据集：https：／／public．roboflow．ai／object－detection／bccd为了训练检测器，我们采取以下步骤：安装YOLOv5依赖项下载自定义YOLOv5对象检测数据定义YOLOv5模型配置和架构训练一个定制的YOLOv5检测器评估YOLOv5性能可视化YOLOv5训练数据对测试图像使用YOLOv5进行推断导出并保存YOLOv5权重以供将来使用YOLOv5的新技术点就在两个月前，我们对googlebrain引入EfficientDet感到非常兴奋，并写了一些关于EfficientDet的博客文章。我们认为这个模型可能会超越YOLO家族在实时目标探测领域的突出地位，但事实证明我们错了。三周内，YOLOv4在Darknet框架下发布，我们还写了很多关于YOLOv4技术解析的文章。在写这些文章的几个小时之前，YOLOv5发布了，我们发现它非常清晰明了。YOLOv5是在Ultralytics－Pythorch框架中编写的，使用起来非常直观，推理速度非常快。事实上，我们和许多人经常将YOLOv3和YOLOv4 Darknet权重转换为Ultralytics PyTorch权重，以便使用更轻的库来更快地进行推理。YOLOv5比YOLOv4表现更好吗？我们很快会向你介绍，在此之前你需要已经对YOLOv5和YOLOv4有了初步的了解。

YOLOv5与EfficientDet的性能对比YOLOv4显然没有在YOLOv5存储库中进行评估，也就是说，YOLOv5更易于使用，而且它在我们最初运行的定制数据上表现非常出色。我们建议你在 YOLOv5 Colab Notebook 中同时进行接下来的操作。https：／／colab．research．google．com／drive／1gDZ2xcTOgR39tGGs－EZ6i3RTs16wmzZQ安装YOLOv5环境首先我们克隆YOLOv5存储库并安装依赖项，这会设置我们的编程环境，准备好运行对象检测训练和推理命令。！git clone https：／／github．com／ultralytics／yolov5  ＃ clone repo！pip install －U －r yolov5／requirements．txt  ＃ install dependencies

％cd ／content／yolov5

然后，我们可以看看谷歌Colab免费提供给我们的训练环境。import torchfrom IPython．display import Image  ＃ for displaying imagesfrom utils．google＿utils import gdrive＿download  ＃ for downloading models／datasets

print（＇torch ％s ％s＇ ％ （torch．＿＿version＿＿， torch．cuda．get＿device＿properties（0） if torch．cuda．is＿available（） else ＇CPU＇））你会从谷歌Colab收到一个 Tesla P100 GPU。以下是我收到的：torch 1．5．0＋cu101 ＿CudaDeviceProperties（name＝＇Tesla P100－PCIE－16GB＇， major＝6， minor＝0， total＿memory＝16280MB， multi＿processor＿count＝56）GPU可以让我们加快训练时间，Colab预装了torch和cuda。如果你尝试在本地使用本教程，可能需要执行其他步骤来设置YOLOv5。下载自定义YOLOv5对象检测数据在本教程中，我们将从Roboflow下载YOLOv5格式的自定义对象检测数据。在本教程中，我们使用公共血细胞检测数据集训练YOLOv5检测血流中的细胞，你可以使用公共血细胞数据集或上传你自己的数据集。Roboflow：https：／／roboflow．ai／公共血细胞数据集：https：／／public．roboflow．ai／object－detection／bccd关于标记工具的说明如果你有未标记的图像，则首先需要标记它们。对于免费的开源标签工具，我们推荐你阅读 LabelImg入门 或 CVAT注释工具入门 的教程指南。尝试标记约50幅图像再继续本教程，因为在以后提高模型的性能的过程中，你将需要添加更多标签。https：／／blog．roboflow．ai／getting－started－with－labelimg－for－labeling－object－detection－data／https：／／blog．roboflow．ai／getting－started－with－cvat／一旦你标记了数据，要将数据移动到Roboflow中，请创建一个免费帐户，然后你可以以任何格式拖动数据集：（VOC XML、COCO JSON、TensorFlow对象检测CSV等）。上传后，你可以选择预处理和增强步骤：

为BCCD示例数据集选择设置然后，单击 Generate 和 Download，你将可以选择YOLOv5 Pythorch格式了。

选择“YOLO v5 Pythorch”当出现提示时，一定要选择“Show Code Snippet”，这将输出一个下载curl脚本，这样你就可以轻松地将数据以正确的格式移植到Colab中。curl －L ＂https：／／public．roboflow．ai／ds／YOUR－link－HERE＂ ＞ roboflow．zip； unzip roboflow．zip； rm roboflow．zip正在Colab中下载…

下载YOLOv5格式的自定义对象数据集导出将会创建一个名为data．yaml的YOLOv5．yaml文件，指定YOLOv5 images文件夹、YOLOv5 labels文件夹的位置以及自定义类的信息。定义YOLOv5模型配置和架构接下来，我们为我们的定制对象检测器编写一个模型配置文件。在本教程中，我们选择了最小、最快的YOLOv5基本模型，你也可以从其他YOLOv5模型中选择，包括：YOLOv5sYOLOv5mYOLOv5lYOLOv5x你也可以在此步骤中编辑网络结构，但一般不需要这样做。以下是YOLOv5模型配置文件，我们将其命名为custom＿yolov5s．yaml：nc： 3depth＿multiple： 0．33width＿multiple： 0．50

anchors：  － ［10，13， 16，30， 33，23］   － ［30，61， 62，45， 59，119］  － ［116，90， 156，198， 373，326］ 

backbone：  ［［－1， 1， Focus， ［64， 3］］，   ［－1， 1， Conv， ［128， 3， 2］］，   ［－1， 3， Bottleneck， ［128］］，   ［－1， 1， Conv， ［256， 3， 2］］，   ［－1， 9， BottleneckCSP， ［256］］，   ［－1， 1， Conv， ［512， 3， 2］］，    ［－1， 9， BottleneckCSP， ［512］］，   ［－1， 1， Conv， ［1024， 3， 2］］，   ［－1， 1， SPP， ［1024， ［5， 9， 13］］］，   ［－1， 6， BottleneckCSP， ［1024］］，  ］

head：  ［［－1， 3， BottleneckCSP， ［1024， False］］，   ［－1， 1， nn．Conv2d， ［na ＊ （nc ＋ 5）， 1， 1， 0］］，   ［－2， 1， nn．Upsample， ［None， 2， ＂nearest＂］］，   ［［－1， 6］， 1， Concat， ［1］］，   ［－1， 1， Conv， ［512， 1， 1］］，   ［－1， 3， BottleneckCSP， ［512， False］］，   ［－1， 1， nn．Conv2d， ［na ＊ （nc ＋ 5）， 1， 1， 0］］，   ［－2， 1， nn．Upsample， ［None， 2， ＂nearest＂］］，   ［［－1， 4］， 1， Concat， ［1］］，   ［－1， 1， Conv， ［256， 1， 1］］，   ［－1， 3， BottleneckCSP， ［256， False］］，   ［－1， 1， nn．Conv2d， ［na ＊ （nc ＋ 5）， 1， 1， 0］］，

  ［［］， 1， Detect， ［nc， anchors］］，  ］训练定制YOLOv5探测器我们的data．yaml和custom＿yolov5s．yaml文件已经准备好了，我们库开始训练了！为了开始训练，我们使用以下选项运行训练命令：img：定义输入图像大小batch：确定batch大小epochs：定义epochs。（注：通常，3000＋很常见！）data：设置yaml文件的路径cfg：指定我们的模型配置weights：指定权重的自定义路径。（注意：你可以从Ultralytics Google Drive文件夹下载权重）name：结果名称nosave：只保存最后的检查点cache：缓存图像以加快训练速度运行训练命令：

训练定制的YOLOv5探测器。它训练得很快！在训练期间，你可以看 mAP＠0．5 来了解你的探测器是如何运行的，请参阅这篇文章。https：／／blog．roboflow．ai／what－is－mean－average－precision－object－detection／评估定制YOLOv5检测器的性能现在我们已经完成了训练，我们可以通过查看验证指标来评估训练过程的执行情况。训练脚本将删除tensorboard日志，我们将其可视化：

在我们的自定义数据集上可视化tensorboard结果如果你因为一些原因不能把张量可视化，可以用utils．plot＿result来绘制并保存为result．png。

你需要在验证评估分数达到其最高点处获取训练好的模型权重。可视化YOLOv5训练数据在训练过程中，我们可以可视化真实训练数据和增强后的训练数据。

我们的真实训练数据

我们的训练数据采用自动YOLOv5增强对测试图像运行YOLOv5推断现在我们利用我们训练好的模型，对测试图像进行推理。训练完成后，模型权重将保存到 weights／。推理过程，我们调用这些权重和一个指定模型置信度的conf（要求的置信度越高，预测越少）、以及一个推理源。源可以接受一个包含图像、单个图像、视频文件以及设备的网络摄像头端口的目录。对于源代码，我将testjpg移到test－infer／。！python detect．py －－weights weights／last＿yolov5s＿custom．pt －－img 416 －－conf 0．4 －－source ．．／test＿infer推理时间非常快，在我们的 Tesla P100 上，YOLOv5s 达到了每秒142帧！！

以142 FPS（0．007s／图像）的速度推断YOLOv5s最后，我们在测试图像上可视化我们的检测器推断结果。

测试图像的YOLOv5推理导出并保存YOLOv5权重以供将来推断既然我们定制的YOLOv5物体检测器已经通过验证，我们需要从Colab中取出权重，用于实时计算机视觉任务，为此我们导入一个Google驱动器模块并将其发送出去。from google．colab import drivedrive．mount（＇／content／gdrive＇）
％cp ／content／yolov5／weights／last＿yolov5s＿custom．pt ／content／gdrive／My Drive结论我们希望你可以训练属于你自己的定制YOLOv5检测器！使用 YOLOv5 非常方便，而且训练迅速，推理迅速，表现出色。让我们把它弄出来！参考链接：https：／／blog．roboflow．ai／how－to－train－yolov5－on－a－custom－dataset／