这是我根据 B 站土堆的目标检测 YOLOv5 开源代码项目调试与讲解实战整理撰写的第三篇文章，大致讲解了如何使用云端 GPU 训练 YOLOv5 模型，以及如何自制数据集并对其进行训练，所有代码均为视频演示版，非本人原创。在看这篇文章前，请公主王子们确保自己的 YOLOv5 已经配置完成，且项目中的 detect.py 文件也能够成功运行哦~如果在配置 YOLOv5 的过程中遇到问题，可以参考我的这一篇文章，链接放在这里啦：

【土堆】史上最全 YOLOv5 配置问题总结 AttributeError & RuntimeError & AssertionError-CSDN博客文章浏览阅读1k次，点赞24次，收藏27次。这篇文章主要记录了作者在配置 YOLOv5 时遇到的问题以及解决方式，作者小白，请多包涵！https://blog.csdn.net/nanzhou520/article/details/134587856除此之外，还要保证 YOLOv5 项目中的 train.py 文件也能够成功运行，大家可以参考我的这一篇文章：

【土堆】手把手带你解决 YOLOv5 运行 train.py 文件时遇到的问题 AttributeError: module ‘distutils‘ & RuntimeError & ...-CSDN博客文章浏览阅读340次，点赞10次，收藏11次。这篇文章记录了作者在运行 YOLOv5 的 train.py 文件时遇到的一系列问题以及相应的解决方式，包括 torch 的版本问题， AttributeError: module 'distutils' has no attribute 'version 和 unzip 失败的问题。作者小白，请多包涵！https://blog.csdn.net/nanzhou520/article/details/134675092

一、用云端 GPU 训练 YOLOv5 模型

因为我自己电脑的 GPU 性能不佳，且至今没能成功在 Google 登录至 Colab 网站，所以无法亲身体验如何用云端 GPU 训练 YOLOv5 模型/(ㄒoㄒ)/~~但既然看了土堆的视频教程，我就先用截图来记录云端 GPU 训练的大致流程，公主王子们如果有兴趣的话，可以随意浏览以下内容~如果大家能在【Colab 网站】亲身体验的话，那就再好不过啦~

1、将项目打包上传至 Colab 平台

【操作1】因为 Colab 网站只支持上传项目的压缩包，因此需要将我们的项目先打包成 yolov5-5.0.zip 再上传平台，然后运行这个命令：

!unzip /content/yolov5-5.0.zip -d /content/yolov5

2、在 Colab 平台删除非空文件夹

【操作2】由于视频教程中土堆使用的是 mac 系统，因此需要删除多余的 _MACOSX 文件夹，下面的命令适用于删除非空文件夹：

!rm -rf /content/yolov5/_MACOSX

3、按 requirements.txt 文件装包

【操作3】先进入到项目的根目录下，然后根据 requirements.txt 文件进行配置，安装对应的包，运行命令如下：

%cd /content/yolov5/yolov5-5.0

!pip install -r requirements.txt

4、添加 tensorboard 插件并使用

【操作4】在 Colab 平台也能够使用 tensorboard ，可以用 %load_ext 命令添加插件，再用 %tensorboard 命令启用 tensorboard ：

%load_ext tensorboard

%tensorboard --logir=runs/train

5、运行 train.py 文件训练模型

【操作5】运行 YOLOv5 项目的 train.py 文件，并调用 --rect 参数，查看运行结果可知，这轮训练的结果存放在 exp2 文件夹中。

!python train.py --rect

【说明】在 exp2 文件夹中，weights 目录下的 best.pt 是效果最佳的训练权重，而 last.pt 是最新的训练权重；hyp.yaml 中存放了训练过程中使用到的超参数信息，result.txt 中存放了训练的结果。

6、使用 GPU 训练的 best.pt 文件

【操作6】训练完成后，在 PyCharm 中打开 YOLOv5 的开源项目，将云端 GPU 训练得到的 best.pt 模型文件下载至项目的根目录中，然后在 detect.py 文件中，将 --weights 参数的 default 默认值改为 best.pt 文件的相对路径，最后运行 detect.py ，如下图所示。