- 综合排序
- 最热优先
- 最新优先
- 来自专栏用户12399043的专栏
YOLOv5模型训练流程说明
一、模型训练流程概述YOLOv5 是一种常见的目标检测模型，在实际应用中，其训练过程通常涉及多个阶段，包括数据处理、模型训练与结果验证等环节。 整体流程可概括为：数据准备、数据标注、数据配置、模型选择、模型训练、模型评估以及模型推理与部署这些步骤共同构成了从数据到模型应用的基本流程。 /dataset/images/val nc: 2 names: ['cat', 'dog']该配置文件用于描述：数据路径类别数量类别名称五、模型选择（Model Selection）YOLOv5提供多种规模的模型结构 六、模型训练（Training）模型训练阶段通常基于训练脚本进行，通过配置数据路径和初始权重完成训练过程。 十、总结YOLOv5模型训练过程通常涉及数据准备、模型训练以及结果验证等多个环节。模型性能通常受到数据质量、模型结构以及训练参数等因素的综合影响。
10610编辑于 2026-04-13 - 来自专栏叶子的开发者社区
【yolov5目标检测】使用yolov5训练自己的训练集
到GitHub上下载整个项目的压缩包zip下来 下来解压zip，把我们刚刚的数据集也放进去 再下载一个yolov5的预训练模型，我这里选择yolov5n.pt，下下来也放到解压文件夹中 然后用 pycharm打开这个文件夹，看看哪里标红还差什么软件包没安装给安装上 配置yaml 先配置一下yolov5预训练模型的yaml，我下载的是yolov5n.pt模型，因此需要配置一下yolov5n.yaml ，修改nc的数值为类别数目，我这里的数据集只有乌骨鸡和狮头鹅，因此改成2 # YOLOv5 by Ultralytics, AGPL-3.0 license # Parameters nc: 2 然后准备开始训练，打开train.py，修改它的参数，主要是这三行代码需要修改，修改预训练模型文件的路径，配置文件的路径以及数据集配置文件的路径 parser.add_argument('-- 运行完了会生成一个runs文件夹，里面有训练出来的best.pt，和训练过程的记录 然后开始目标检测，准备好运行detect.py的参数，最基本的就是运行的权重文件，就是我们train出来的best.pt
2K20编辑于 2023-10-23 - 来自专栏编程杂记
【YOLOV5模型训练】-模型训练需要改动的几个地方
需要修改的几个地方 1.编写.yaml文件 yaml待修改的参数特别重要一定要核对准确，直接影响模型训练成功与否 2.修改代码部分 1.编写.yaml文件 下载完源码后需要重新编写一个.yaml文件，用了训练自己的模型 /my_dataset/images/train/ #训练集images val: .. 验证集 images # 标签个数 nc: 3 # class names names: [ 'l1', 'l2', 'l3' ] #类别的命名 yaml待修改的参数特别重要一定要核对准确，直接影响模型训练成功与否 2.修改代码部分 打开源码里面的train.py文件 第一个地方改为自己新建的数据集 第二个地方改为自己想要到训练迭代次数 python3 train.py 即可运行
48410编辑于 2024-01-17 - 来自专栏从流域到海域
ChatGPT训练流程
Reward Modeling 奖励建模，用来代替人工打分，降低标注成本 奖励模型是用来建模强化学习的一个组件 RLHF Reinforcement Learning 强化学习建模，通过强化学习的方式训练模型输出奖励最大的文本
30730编辑于 2023-10-12 - 来自专栏一些有趣的Python案例
GitHub YOLOv5 开源代码项目系列讲解（六）------使用云端GPU训练Yolov5模型
本专栏将从安装到实例运用全方位系列讲解 GitHub YOLOv5 开源代码。 专栏地址：GitHub YOLOv5 开源代码项目系列讲解 目录 1 登录云端 GPU 网站 2 传入文件到云端 3 解压缩文件夹 4 进入文件路径 5 安装装所需环境 6 添加 tensorboard 插件 7 打开 tensorboard 8 运行 train.py ---- 1 登录云端 GPU 网站 打开网址：google colab 2 传入文件到云端 将本地压缩好的 yolov5 unzip /content/yolov5-v5.0.zip -d /content/yolov5 4 进入文件路径 进入到红框所指文件夹中 %cd /content/yolov5/yolov5 python train.py --rect 再回到上一步运行的 tensorboard 页面中刷新 云端 GPU 训练 yolov5 模型至此讲解完成。
1.7K21发布于 2021-09-07 - 来自专栏机器学习AI算法工程
yolov5鱼苗检测计数：从数据标注到训练
向AI转型的程序员都关注了这个号 机器学习AI算法工程 公众号：datayx 目标检测yolov5 v6.0版，pytorch实现，包含了目标检测数据标注，数据集增强，训练自定义数据集全流程。 四.数据集格式转换 将 VOC 的数据集转换成 YOLOv5 训练需要用到的格式。 步骤： 1.将标注数据集的标签（xml文件）放入. custom_data.yaml ，文件内容如下 # 目标类型数量，按自己的数据集来改 nc: 3 #目标类型名称，按自己的数据集来改 names: ['person', 'head', 'helmet'] 六.聚类得出先验框（Yolov5 1.将预训练模型下载放置在weight目录下； 2.修改train.py中的第454行weights预训练模型的路径； 3.修改train.py中的第455行cfg模型配置文件路径 4.修改train.py 开启训练之后，权重会保存在 .
3.2K20编辑于 2022-03-04 - 来自专栏全栈程序员必看
【全流程】从头在树莓派4B上部署自己训练的yolov5模型（配合NCS2加速）
目录 0.前言 1.我的环境 2.整个流程 3.具体过程 3.1 训练自己的yolov5模型 3.2 将.pt模型转换为.onnx模型 3.3 在本地将.onnx转换成IR模型 3.4 在树莓派4B上使用 如果这么说还是不直观的话，我举个例子：我从不知道yolov5是什么，到在电脑上训练好自己的.pt模型总共花了一下午。然而我把自己训练好的.pt模型成功部署到树莓派上运行花了20多天。 2.整个流程 首先展示下整个部署流程，对全局有个把握，然后我再一步步具体说： 整个过程分为四大步： 本质来看，其实就是： （1）训练自己的模型(.pt/.tf_lite/.weights…) 3.具体过程 3.1 训练自己的yolov5模型 这一步的目的是使用自己的数据集训练，得到满足自己实际需求的.pt模型。 网上的教程多又全，可以直接看官方教程：GtiHub yolov5官方，也可以参考下面两篇文档： colab和win10系统下yolov5的安装及训练自己的训练集 labelImg标注数据集（yolov5
9.2K32编辑于 2022-09-02 - 来自专栏Datawhale专栏
深度学习模型训练全流程！
作者：黄星源、奉现，Datawhale优秀学习者 本文从构建数据验证集、模型训练、模型加载和模型调参四个部分对深度学习中模型训练的全流程进行讲解。 一个成熟合格的深度学习训练流程至少具备以下功能：在训练集上进行训练；在验证集上进行验证；模型可以保存最优的权重，并读取权重；记录下训练集和验证集的精度，便于调参。 方法5：丢弃法（Dropout） L1、L2正则化是通过改动代价函数来实现的，而丢弃法则是通过改动神经网络本身来实现的，它是在训练网络时用的一种技巧（trike），它的流程例如以下： ? 模型训练和验证 训练神经网络的流程 1. 好好检查数据 训练神经网络的第一步是完全不接触任何神经网络代码，而是从彻底检查数据开始。此步骤至关重要。花时间去检查数据是一件比较重要的工作。 在参加本次比赛的过程中建议大家以如下逻辑完成： 初步构建简单的CNN模型，不用特别复杂，跑通训练、验证和预测的流程。 简单CNN模型的损失会比较大，尝试增加模型复杂度，并观察验证集精度。
5K20发布于 2020-06-16 - 来自专栏Datawhale专栏
机器学习模型训练全流程！
周末在家无聊闲逛github，发现一个很有趣的开源项目，作者用手绘图的方式讲解了机器学习模型构建的全流程，逻辑清晰、生动形象。 带着这个目标，我开始在iPad上涂鸦建立机器学习模型所需的流程。经过几天的努力，上图所示的信息图就是我的成果，内容已经被发布在GitHub上。 ? 1. 数据分割 4.1 训练--测试集分割 在机器学习模型的开发过程中，希望训练好的模型能在新的、未见过的数据上表现良好。 训练—测试集分割示意图 4.2 训练--验证--测试集分割 另一种常见的数据分割方法是将数据分割成3部分。(1) 训练集，(2) 验证集和(3) 测试集。 在这样的N倍CV中，其中一个折被留作测试数据，而其余的折则被用作建立模型的训练数据。 例如，在5倍CV中，有1个折被省略，作为测试数据，而剩下的4个被集中起来，作为建立模型的训练数据。
2.5K31发布于 2020-08-12 - 来自专栏全栈程序员必看
基于yolov4的目标检测_yolov5预训练模型
以上就是yolov5项目代码的整体介绍。我们训练和测试自己的数据集基本就是利用到如上的代码。 还有完备的代码可以将格式转换好的数据集划分为训练集和验证集来训练我们自己的yolov5模型。目标检测算法—将数据集为划分训练集和验证集。 而yolov5的5.0版本给我们提供了几个预训练权重，我们可以对应我们不同的需求选择不同的版本的预训练权重。 3训练自己的模型 3.1修改数据配置文件 预训练模型和数据集都准备好了，就可以开始训练自己的yolov5目标检测模型了，训练目标检测模型需要修改两个yaml文件中的参数。 至此yolov5训练自己的模型就完全搞定了。
1.1K30编辑于 2022-09-27 - 来自专栏贾志刚-OpenCV学堂
YOLOv5实现自定义对象训练与OpenVINO部署全解析
大家好，前面写了一个OpenVINO部署YOLOv5推理的教程，收到很多反馈！ 这里就再写了一篇如何使用YOLOv5训练自定义对象检测，从数据准备到推理整个环节，帮助大家更好的使用YOLOv5来解决实际问题。 分为三个文件夹，分别对应训练集、测试集、验证集。 train表示训练集、valid表示测试集。 训练时可以通过tensorboard查看训练实时变换，图示如下： ? 最终每个类别的AP得分 ? ? 最终训练完成得到best.pt文件 ?
1.4K30发布于 2021-01-18 yolov5在windows上傻瓜式训练工具和教程
本工具支持yolov5快速训练，使用者基本无需了解yolov5知识即可开启自己的训练任务，本工具支持yolov5内建的4个框架傻瓜式训练，支持 yolov5s yolov5m yolov5l yolov5x 先看看截图 使用步骤： 第一步：正常yolov5环境，一般都是安装在anaconda3或者miniconda里面 第二步：打开软件，拖拽数据集到软件界面点击开始转换获取训练命令 第三步：激活到自己的环境 ，比如自己虚拟环境名字叫yolov5，则可以用如下命令激活： conda activate yolov5 将命令贴进窗口即可开始训练，关注微信公众号未来自主研究中心可以获取更新信息 软件优点： （1 窗口输入命令即可开始训练 （3）节省时间，精力。 让自己有更多时间去学习其他知识或者了解更多相关知识 （4）操作简单，即使一个从来没有用过训练的人都可以使用，无需过多人工干预
41610编辑于 2025-07-18- 来自专栏机器视觉CV
干货 | YOLOV5 训练自动驾驶数据集，并转Tensorrt，收藏！
Coco to yolo 在完成先前的转换之后，我们需要将训练集和验证集的coco格式标签转换为yolo格式。 注意需要分别指定训练集和验证集图片位置，对应的coco标签文件位置，及生成yolo标签的目标位置。 4 训练 预训练模型 python train.py --img 640 --batch 32 --epochs 300 --data '. /tensorrt/yolov5/下。 build tensorrtx/yolov5 and run // put yolov5s.wts into tensorrtx/yolov5 // go to tensorrtx/yolov5 //
3.5K10发布于 2020-10-27 - 来自专栏算法进阶
【文章】机器学习模型训练全流程！
以下文章来源于Datawhale ，作者张峰 周末在家无聊闲逛github，发现一个很有趣的开源项目，作者用手绘图的方式讲解了机器学习模型构建的全流程，逻辑清晰、生动形象。 带着这个目标，我开始在iPad上涂鸦建立机器学习模型所需的流程。经过几天的努力，上图所示的信息图就是我的成果，内容已经被发布在GitHub上。 1. 数据集 数据集是你构建机器学习模型历程中的起点。 数据分割 4.1 训练--测试集分割 在机器学习模型的开发过程中，希望训练好的模型能在新的、未见过的数据上表现良好。 训练—测试集分割示意图 4.2 训练--验证--测试集分割 另一种常见的数据分割方法是将数据分割成3部分。(1) 训练集，(2) 验证集和(3) 测试集。 在这样的N倍CV中，其中一个折被留作测试数据，而其余的折则被用作建立模型的训练数据。 例如，在5倍CV中，有1个折被省略，作为测试数据，而剩下的4个被集中起来，作为建立模型的训练数据。
1.4K10编辑于 2022-06-01 - 来自专栏自然语言处理
图解DeepSeek R1训练流程
提高模型的可读性和泛化能力 通过引入冷启动数据和多阶段训练流程，提升模型的可读性和语言混合问题。 小型模型的推理能力提升 通过知识蒸馏技术，将大型模型的推理能力迁移到小型模型，以提高效率。 强化学习（Reinforcement Learning） Kumar et al. (2024): 探索如何使用强化学习训练语言模型进行自我修正。 自进化: 训练过程中自然发展推理行为，如自我验证、反思、长CoT推理链。 2. 引入DeepSeek-R1模型 多阶段训练 & 冷启动数据: 解决DeepSeek-R1-Zero的可读性和语言混合问题。 奖励建模 准确性奖励和格式奖励: 采用基于规则的奖励系统，训练模型生成特定格式的推理过程和最终答案。 5. 训练模板 推理过程和答案的模板: 训练模型首先生成推理过程，然后生成最终答案。 6.
64110编辑于 2025-02-08 - 来自专栏一些有趣的Python案例
GitHub YOLOv5 开源代码项目系列讲解（四）------训练相关参数解释
本专栏将从安装到实例运用全方位系列讲解 GitHub YOLOv5 开源代码。 专栏地址：GitHub YOLOv5 开源代码项目系列讲解 目 录 1 总述 2 参数详解 2.1 --weights 2.2 --cfg 2.3 --data 2.4 --hyp 2.5 --epochs 1 总述 利用 yolov5 进行训练神经网络用到的是开源项目源码中的 train.py。 2.14 --bucket parser.add_argument('--bucket', type=str, default='', help='gsutil bucket') 这个参数是 yolov5 当激活时为 true，在 name 指定文件夹下保存，源码中保存在 exp 文件夹下 对应示例图片在 《GitHub YOLOv5 开源代码项目系列讲解（三）------预测相关参数解释》 博文 2.17
3.3K24编辑于 2022-01-05 - 来自专栏全栈程序员必看
YOLOv5 实现目标检测（训练自己的数据集实现猫猫识别）
目前YOLOv5已经更新到v6.0版本了，本文适用于v3.0-v6.0间所有版本的各种配置，以及更新了YOLOv5的使用说明。 YOLOv5的权重文件是27兆字节。YOLOv4（采用Darknet架构）的权重文件是244兆。YOLOv5比YOLOv4小了近90%！这意味着YOLOv5可以更容易地部署到嵌入式设备上。 博主这边没梯子，不过也无关紧要啦，毕竟我们用YOLOv5是识别具体的某项东西，需要自己用数据集来训练模型，官方给的模型也不一定适合我们的业务场景。 三、YOLOv5 实现训练 3.1 准备工作 首先从github上下载下来YOLOv5，楼主这里改名为yolov5-6.0-cat，因为是识别小猫猫的。 四、YOLOv5 实现检测 有了训练好的权重后，就可以就行目标检测测试了。直接在根目录的detect.py中进行调试，主要参数解释如下。
6K10编辑于 2022-07-01 - 来自专栏机器学习炼丹之旅
Pytorch的基本介绍及模型训练流程
是否将不具有参数的层放入构造函数的区别在于，只有在构造函数中的层才属于模型的层，其参数才会在训练时被更新，而有些层本来就没有参数无需训练，所以可以不用放在构造函数内，只要在 forward 中实现即可， Pytorch中模型训练步骤还是非常清晰的： 数据载入及处理 模型定义 超参数设置（损失函数定义、优化器定义、训练轮数） 训练模型 读取一个batch的数据，并前向传播 计算损失值 优化器优化模型 循环执行上述过程直到规定轮数 评估模型（非必须） 测试模型 其中除了损失函数和优化器的定义和使用没有提到，其余内容在前文都有介绍，下面直接搭建一个CNN网络，展示一个网络的完整训练流程 ： """ 依赖包载入、数据集载入和划分 以CIFAR10作为模型训练的数据集，训练集50000张，测试集10000张图片 """ import torchvision import torch.nn /logs_train_CIFAR10") # 开始训练 best= 0 for epoch in range(epochs): print("-------第 {} 轮训练开始-------
2.3K41编辑于 2022-09-19 - 来自专栏AI智韵
YoloV5改进策略：EfficientViT，提升YoloV5的速度和精度，打造高效的YoloV5
将EfficientViT引入到YoloV5中，打造实时高效的YoloV5，效果如何呢？这篇文章将告诉你答案！ YoloV5官方代码测试结果 YOLOv5l summary: 267 layers, 46275213 parameters, 0 gradients, 108.2 GFLOPs 如果不使用预训练权重，测试结果如下： YOLOv5l summary: 596 layers, 22556237 parameters, 0 gradients Class 0.796 tu-22 230 98 0.989 1 0.995 0.771 和使用预训练权重相比 总结 本文尝试了两种改进方法，其中，直接替换主干网络，并使用预训练权重的效果最好。欢迎大家在自己的数据集上做尝试。
37210编辑于 2024-10-22 - 来自专栏防止网络攻击
动物目标检测——基于YOLOv5和树莓派4B平台
本文将详细介绍如何在性能更强的计算机上训练YOLOv5模型，并将训练好的模型部署到树莓派4B上，通过树莓派的摄像头进行实时动物目标检测。 一、在电脑上训练YOLOv5模型 1. 准备训练数据 准备好你的数据集，并确保数据集按照YOLOv5要求的格式进行组织。 下载好之后放到我们yolov5的项目目录下。 ② 训练数据 右键train.py，点击run运行。 运行成功后如图，训练结果保存在runs\train\exp文件夹里。 四、总结 通过以上步骤，我们成功地在性能更强的计算机上训练了YOLOv5模型，并将训练好的模型部署到树莓派4B上，利用树莓派的摄像头实现了实时动物目标检测。 这一过程展示了从环境配置、数据准备、模型训练到模型部署和实时推理的完整流程。通过本文的介绍，相信读者能够掌握在树莓派上部署YOLOv5进行动物目标检测的完整流程。
1.2K10编辑于 2024-09-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号