如何快速上手yolov5模型的训练，以及通过训练出来的参数进行模型推理（小白教学，只教如何训练和推理，后续会就行更新如何调参）（在看本文章之前，需要保证你的环境配置成功）_yolov5推理时需要标准化吗

【本文的著作权由.清风...所有，未经同意禁止转载！！！】

【 如果看完此文章有啥疑问，或者有啥错误的地方，大家都可以在下面的评论区，讨论指出。】

【作者码字不易。希望可以得到你们的点赞关注，有你们的鼓励支持，往后一定会出更多优质的文章，谢谢大家！！】

---

yolov5官方源码

# 1.对yolov5代码的部分认识

 

如图，图中和本文有关的（也是必须要用到的）几个文件夹：

## data文件夹

（1）data：里面存放数据集的配置文件，也可以将自己的数据集放在此文件夹中

 文件夹内容如图所示，其中我们可以根据coco128.yaml配置文件中的代码存储格式来创建自己的yaml配置文件，简单的说就是将coco128.yaml文件中的代码复制到自己创建的文件夹中。然后根具自己的需要进行修改，讲解如下图1所示。

图1

 如图1，path路径是数据集存放的总路径，其中数据集框架如下图2所示建立（仅供参考）。

图2 

如果你还是不知道如何放置数据集，你可以在下面训练代码时，将data数据集改成coco128数据集，这样代码会帮你自动从官网下载coco128数据集，可以参考此文件夹格式。

图1中，train和val的路径如图所示放置，紧接着下面会出现classes，这个是你需要训练模型的目标的分类，如图原yolov5代码中分为80类，你可以修改成自己需要的类别，其格式和源代码保持一致。

---

## models文件夹

                          图3

如图3，在models文件夹中yolov5提供了五个可以训练的网络模型，其中他们的区别图如图4

 图4

通过图4，可以得出以下结论：

YoloV5提供了5个主要的预先训练的网络模型，分别是YoloV5S、YoloV5M、YoloV5L、YoloV5X和YoloV5N。下面是它们的主要区别：

1. YoloV5S：最小，轻量级，适用于移动设备以及低功耗设备上的实时目标检测。但是检测精度相对较低。

2. YoloV5M：中等大小，速度快，检测精度相对于YoloV5S更高。适合于中等硬件性能的设备。

3. YoloV5L：较大，更精确，适合于高功率设备或需要高分辨率检测的应用。

4. YoloV5X：大型，包含更多的卷积层和更高的容量，性能最好。但是需要更多的内存和计算资源。

5. YoloV5N：轻量级网络，适合于嵌入式设备或边缘计算设备，快速识别难以检测的小目标等。

因此，选择哪种预训练模型通常取决于应用需求和硬件资源。如果需要高精度和高速度，则可以使用较大的模型。若需要低功耗运行，则可以选择较小的模型。

所以可以根据自己的需要，来选择自己的网络模型进行训练。

接下来，我们以yolov5s的yaml文件为例，如图5：

                                             图5

图5为yolov5s.yaml文件中上面的一部分，在修改配置文件时，我们需要修改的地方为nc变量，nc的值和我们前面图1中的classes中的类别相对应，那边有几类，这边就填写几。下面anachors为候选框，等下一次整理优化模型模型调参数时，会讲到。

---

当我们做完上面的工作时，就已经完成前期的准备工作了，下面我们讲讲train中的参数的含义，以及常用的参数。

---

# train.py训练

如图6，在yolo文件中，我们会常看到如下的参数列表：

                                                                      图6

相信大家看到，一定会想，这么多参数，我怎么记得住啊！！！！

那么我将会引领大家，熟悉几个常用的参数：

（1）weights：此参数是传入模型训练时的预训练权重的，如yolov5中的yolov5s.pt文件，在本文的第二张图片中可以看到，这个是官方给的配置文件，在自己第一次训练模型时，可以拿出来使用，来提高模型的训练成效。如果不需要，也可以将此参数设置为空。如 default=' '。

（2）cfg：这个参数传入的是我们前面讲的models中的网络模型的yaml文件的地址。

（3）data：传入的是data文件夹中的配置文件的地址，而不是我们数据集的地址。

（4）epochs：此参数表示训练的轮次，这个由自己定义，传入的是数字。

（5）batch-size：表示一次传入图片的量，也是数字，但这个数字是根据自己电脑的显卡的内存来决定的，如果设置太大，导致超出了显卡内存，会报错。如果设置太小，会导致训练时间太长。所以大家更具自己电脑的显卡配置来设置。

（6）device：此参数是设置使用cpu训练还是gpu训练，更具自己电脑配置来。

常用参数我们就已经讲完了，现在大家可以训练了。我一般都是通过pycharm终端训练，终端输入conda activate 自己的虚拟环境，转到自己的环境下面，输入以下命令（仅供参考，为了大家可以使用上面参数，我将会都写一遍）

python train.py --weights '' --data helmet.yaml --cfg v5s_helmet.yaml --epochs 5 --device cpu --batch-size 16 (此命令使用cpu训练，如果需要gpu可以将cpu改为0。0代表电脑中第一个独显)

接着我们训练完模型就可以得到runs文件夹下的一个train文件下的exp文件夹，这里面存放的就是我们训练完结果的一些报告，后期我们可以根据这些报告来优化我们的模型。

---

到此我们已经训练完我们的模型了，上文中的exp文件夹下的weights文件夹是中有两个权重文件best和last，我们一般使用best文件进行我们接下来的推理过程。

---

# detect.py文件

在detect.py中，也有和train.py类似的参数列表如图7：

图7

我们进行模型推理时，也只需要了解其中的几个参数即可：

（1）weights：这个参数传入的是我们训练出的模型中的权重（exp文件夹下的weights文件夹中的best.pt文件），传入的此文件的地址。

（2）source：传入需要推理的图片或者视频的地址

推理时，我们目前只需要用到这两个参数。（命令如下）

python detect.py --weights F:\about_yolov5\yolov5-master\runs\train\exp6\weights\best.pt --source F:\SuJuJi\video\jiance.avi

推理完的视频存在runs文件夹下的detect文件中。

---

---

---

到此我们的模型训练和推理就已经全部结束啦！！！！

码字不容易，希望屏幕前可爱帅气的你，留下关注和点赞再走叭！！！！