YOLO系列的目標(biāo)檢測(cè)模型隨著YOLOv5的引入變得越來(lái)越強(qiáng)大了。在這篇文章中，我們將介紹如何訓(xùn)練YOLOv5為你識(shí)別自己定制的對(duì)象。

本文我們使用公共血細(xì)胞檢測(cè)數(shù)據(jù)集，你可以自己導(dǎo)出，也可以在自己自定義數(shù)據(jù)上使用本教程。公共血細(xì)胞檢測(cè)數(shù)據(jù)集：https：／／public．roboflow．a(chǎn)i／object－detection／bccd為了訓(xùn)練檢測(cè)器，我們采取以下步驟：安裝YOLOv5依賴(lài)項(xiàng)下載自定義YOLOv5對(duì)象檢測(cè)數(shù)據(jù)定義YOLOv5模型配置和架構(gòu)訓(xùn)練一個(gè)定制的YOLOv5檢測(cè)器評(píng)估YOLOv5性能可視化YOLOv5訓(xùn)練數(shù)據(jù)對(duì)測(cè)試圖像使用YOLOv5進(jìn)行推斷導(dǎo)出并保存YOLOv5權(quán)重以供將來(lái)使用YOLOv5的新技術(shù)點(diǎn)就在兩個(gè)月前，我們對(duì)googlebrain引入EfficientDet感到非常興奮，并寫(xiě)了一些關(guān)于EfficientDet的博客文章。我們認(rèn)為這個(gè)模型可能會(huì)超越Y(jié)OLO家族在實(shí)時(shí)目標(biāo)探測(cè)領(lǐng)域的突出地位，但事實(shí)證明我們錯(cuò)了。三周內(nèi)，YOLOv4在Darknet框架下發(fā)布，我們還寫(xiě)了很多關(guān)于YOLOv4技術(shù)解析的文章。在寫(xiě)這些文章的幾個(gè)小時(shí)之前，YOLOv5發(fā)布了，我們發(fā)現(xiàn)它非常清晰明了。YOLOv5是在Ultralytics－Pythorch框架中編寫(xiě)的，使用起來(lái)非常直觀，推理速度非常快。事實(shí)上，我們和許多人經(jīng)常將YOLOv3和YOLOv4 Darknet權(quán)重轉(zhuǎn)換為Ultralytics PyTorch權(quán)重，以便使用更輕的庫(kù)來(lái)更快地進(jìn)行推理。YOLOv5比YOLOv4表現(xiàn)更好嗎？我們很快會(huì)向你介紹，在此之前你需要已經(jīng)對(duì)YOLOv5和YOLOv4有了初步的了解。

YOLOv5與EfficientDet的性能對(duì)比YOLOv4顯然沒(méi)有在YOLOv5存儲(chǔ)庫(kù)中進(jìn)行評(píng)估，也就是說(shuō)，YOLOv5更易于使用，而且它在我們最初運(yùn)行的定制數(shù)據(jù)上表現(xiàn)非常出色。我們建議你在 YOLOv5 Colab Notebook 中同時(shí)進(jìn)行接下來(lái)的操作。https：／／colab．research．google．com／drive／1gDZ2xcTOgR39tGGs－EZ6i3RTs16wmzZQ安裝YOLOv5環(huán)境首先我們克隆YOLOv5存儲(chǔ)庫(kù)并安裝依賴(lài)項(xiàng)，這會(huì)設(shè)置我們的編程環(huán)境，準(zhǔn)備好運(yùn)行對(duì)象檢測(cè)訓(xùn)練和推理命令。！git clone https：／／github．com／ultralytics／yolov5  ＃ clone repo！pip install －U －r yolov5／requirements．txt  ＃ install dependencies

％cd ／content／yolov5

然后，我們可以看看谷歌Colab免費(fèi)提供給我們的訓(xùn)練環(huán)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＇））你會(huì)從谷歌Colab收到一個(gè) 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可以讓我們加快訓(xùn)練時(shí)間，Colab預(yù)裝了torch和cuda。如果你嘗試在本地使用本教程，可能需要執(zhí)行其他步驟來(lái)設(shè)置YOLOv5。下載自定義YOLOv5對(duì)象檢測(cè)數(shù)據(jù)在本教程中，我們將從Roboflow下載YOLOv5格式的自定義對(duì)象檢測(cè)數(shù)據(jù)。在本教程中，我們使用公共血細(xì)胞檢測(cè)數(shù)據(jù)集訓(xùn)練YOLOv5檢測(cè)血流中的細(xì)胞，你可以使用公共血細(xì)胞數(shù)據(jù)集或上傳你自己的數(shù)據(jù)集。Roboflow：https：／／roboflow．a(chǎn)i／公共血細(xì)胞數(shù)據(jù)集：https：／／public．roboflow．a(chǎn)i／object－detection／bccd關(guān)于標(biāo)記工具的說(shuō)明如果你有未標(biāo)記的圖像，則首先需要標(biāo)記它們。對(duì)于免費(fèi)的開(kāi)源標(biāo)簽工具，我們推薦你閱讀 LabelImg入門(mén) 或 CVAT注釋工具入門(mén) 的教程指南。嘗試標(biāo)記約50幅圖像再繼續(xù)本教程，因?yàn)樵谝院筇岣吣Ｐ偷男阅艿倪^(guò)程中，你將需要添加更多標(biāo)簽。https：／／blog．roboflow．a(chǎn)i／getting－started－with－labelimg－for－labeling－object－detection－data／https：／／blog．roboflow．a(chǎn)i／getting－started－with－cvat／一旦你標(biāo)記了數(shù)據(jù)，要將數(shù)據(jù)移動(dòng)到Roboflow中，請(qǐng)創(chuàng)建一個(gè)免費(fèi)帳戶，然后你可以以任何格式拖動(dòng)數(shù)據(jù)集：（VOC XML、COCO JSON、TensorFlow對(duì)象檢測(cè)CSV等）。上傳后，你可以選擇預(yù)處理和增強(qiáng)步驟：

為BCCD示例數(shù)據(jù)集選擇設(shè)置然后，單擊 Generate 和 Download，你將可以選擇YOLOv5 Pythorch格式了。