Python----目标检测（yolov5-7.0安装及训练细胞）

一、下载项目代码

yolov5代码源

        GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

 yolov5-7.0代码源

Release v7.0 - YOLOv5 SOTA Realtime Instance Segmentation · ultralytics/yolov5 · GitHub

二、创建虚拟环境

创建一个3.8版本的环境

conda create -n yolov5-7.0 python=3.8

激活环境

conda activate yolov5-7.0

安装环境

pip install -r requirements.txt

 使用GPU训练

import torchprint(torch.__version__)
print(torch.cuda.is_available())

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

pip install psutil  PyYAML requests scipy thop  tqdm pandas seaborn -i https://pypi.tuna.tsinghua.edu.cn/simple

三、准备数据集

data_cell/
├── train/
│   ├── images/  # 存放训练图片
│   └── labels/  # 存放训练标签
├── valid/
│   ├── images/  # 存放验证图片
│   └── labels/  # 存放验证标签
├── test/
│   ├── images/  # 存放测试图片
│   └── labels/  # 存放测试标签
├── data.yaml    # 配置文件
│
└── custom_yolov5s.yaml

修改data .yaml      修改路径为绝对路径

train: /home/YoloV_/yolov5-7.0/data_cell/train/images
val: /home/YoloV_/yolov5-7.0/data_cell/valid/imagesnc: 3
names: ['Platelets', 'RBC', 'WBC']

关于模型的配置文件 custom_yolov5s.yaml，这个文件可以从 项目models文件夹中拷贝一份修改即可

四、运行训练脚本

建议在终端运行，也可以在train.py运行，但需要进行修改

python train.py --weights yolov5s.pt --data ./data_cell/data.yaml --epochs 300 --batch-size 16

参数	说明	推荐值/示例	注意事项
--img	输入图片的尺寸（宽度和高度）	640（默认）	必须是 32 的倍数（如 320, 416, 640），更大的尺寸会提高精度但增加计算负担。
--batch	每个批次的样本数（batch size）	16（取决于 GPU 显存）	显存不足时减小（如 4/8），可用 --batch-size 或 -b 指定。
--epochs	训练的总轮次（所有数据训练一遍为一轮）	100（小数据集可 300+）	轮次太少可能欠拟合，太多可能过拟合，需观察 val_loss 变化。
--data	数据集配置文件的路径（.yaml 文件）	data/custom.yaml	文件需包含 train/val 路径和类别信息（nc、names）。
--cfg	模型结构配置文件（如 yolov5s.yaml）	models/yolov5s.yaml	如果使用预训练权重（--weights），此参数可省略（自动匹配模型结构）。
--name	训练结果的保存目录名称（默认 exp，后续会递增 exp2, exp3）	--name my_train	结果保存在 runs/train/<name> 下。
--weights	初始化权重文件路径（.pt 文件）	yolov5s.pt（预训练）	不指定时默认从头训练；推荐用预训练权重加速收敛（如 --weights yolov5s.pt）。
--nosave	仅保存最终的模型（last.pt 和 best.pt），不保存中间 checkpoint	--nosave	节省磁盘空间，但无法从中间轮次恢复训练。
--cache	缓存数据集到内存或磁盘（ram/disk）以加速训练	--cache ram	需要足够的内存或磁盘空间，小数据集推荐 ram，大数据集用 disk 或关闭（默认 None）。
--device	指定训练设备（GPU/CPU）	--device 0（GPU 0）	多 GPU 用逗号分隔（如 --device 0,1），CPU 训练用 --device cpu。
--workers	数据加载的线程数（Dataloader workers）	8（根据 CPU 核心数调整）	线程过多可能导致内存溢出，Linux 下可设更高（如 16），Windows 建议 ≤8。
--hyp	超参数配置文件路径（如学习率、数据增强等）	data/hyps/hyp.scratch-low.yaml	修改超参数需谨慎，新手建议用默认文件。
--resume	从之前的训练中断处继续（需指定 last.pt 路径）	--resume runs/train/exp/weights/last.pt	会自动加载优化器状态和轮次信息。
--evolve	启用超参数进化（自动优化超参数）	--evolve 300（迭代 300 次）	计算成本高，适合大型项目或调优阶段。
--single-cls	将所有类别视为单一类别（适用于二分类问题）	--single-cls	标注文件中的类别 ID 会被强制设为 0。

模型	参数量	速度	精度
yolov5n	1.9M	⚡ 最快	低
yolov5s	7.2M	快	中
yolov5m	21.2M	中等	较高
yolov5l	46.5M	较慢	高
yolov5x	86.7M	🐢 最慢	最高

五、模型验证

在模型训练过程中就会进行模型验证，如果愿意也可以输入指令再次验证

python val.py --weights ./runs/train/exp/weights/best.pt --data ./data_cell/data.yaml 

 

六、模型预测

python detect.py --weights ./runs/train/exp/weights/best.pt --source ./data_cell/test/images/

七、TensorBoard 可视化

tensorboard  --logdir=./runs/train/exp/