?請先看這篇文章：????????????????????????本博打開方式！！！請詳讀！！！請詳讀！！！請詳讀！！！_Cat-CSDN博客?

????????很多剛入門的粉絲私信我說，他們的電腦配置很好，想在本地訓練YOLOv5的自定義數據集，這樣方便很多，不用擔心資源被收回的問題，那就安排一下。

????????因為使用了Pycharm編輯器進行訓練并對官方代碼進行了細微修改，所以請看這篇文章：在Windows 10系統下，如何在Pycharm中配置YOLOv5虛擬環境？_Cat-CSDN博客_pycharm安裝yolo

? ? ? ? 本文章的大部分內容與這篇Yolov5如何在Colab中訓練自定義數據集？（更新時間：2022.3.14）_Cat-CSDN博客相似，所以先閱讀上面這篇文章，到了“三、訓練”的“4、正式訓練”時，請閱讀本文。

一、數據集目錄結構

????????將構建好的數據集復制到與yolov5-master同一級目錄下，如下圖所示。

?二、修改yaml文件夾內容

????????這里一共有2個yaml文件需要修改，一個在data文件夾里，另一個在models文件夾里。

????????剛才我們將自己的數據集文件名改為coco128，那么此時就要到data里修改coco128.yaml文件內容了，具體的目錄結構、修改內容如下圖所示：

????????我們訓練時使用的預訓練權重如果是yolov5s.pt，那么就得到models目錄下的yolov5s.yaml文件中修改相應的參數，其它同理。比如使用的是yolov5s.pt，那么就得去修改，如下圖所示。注意，請將預訓練模型提前下載好，并放入weights文件夾中。

?三、修改train.py代碼讓訓練順利進行

?????????在Pycharm中打開train.py文件后，找到主函數入口，需要對里面的參數進行修改。下面直接貼出大部分參數所代表的含義。

""" --weights： 預訓練權重文件的路徑--cfg： 模型yaml文件的路徑--data： 數據yaml文件的路徑--hyp： 超參數文件的路徑--epochs： 訓練輪次--batch-size： 每批次文件投入量的多少--img-size： 圖片尺寸--rect: 是否采用矩形訓練，默認False--resume: 接著上次被打斷訓練的結果繼續訓練--nosave: 不保存模型，默認False--notest: 不進行test，默認False--noautoanchor: 不自動調整anchor，默認False--evolve: 是否進行超參數進化，默認False--bucket: 谷歌云盤bucket，一般不會用到--cache-images: 是否提前緩存圖片到內存，以加快訓練速度，默認False--image-weights：使用加權圖像選擇進行訓練--device: 訓練的設備，有CPU和GPU，0代表一個設備--multi-scale: 是否進行多尺度訓練，默認False--single-cls: 數據集是否只有一個類別，默認False--adam: 是否使用adam優化器--sync-bn: 是否使用跨卡同步BN,在DDP模式使用--local_rank： DDP參數，請勿修改--workers： 最大工作核心數--project: 訓練模型的保存位置--name： 模型保存的目錄名稱--exist-ok： 模型目錄是否存在，不存在就創建 """

????????上述的訓練參數都有默認值，但是每臺訓練的設備不同，配置也不同，為了達到更好的訓練效率，我們需要對上述參數進行修改。

1、預訓練權重--weights。我們在介紹時，采用的是yolov5s.pt預訓練權重，所以得下載該權重并復制到weights文件夾下。同時，我們還得修改--weights參數，關注到這里：

parser.add_argument('--weights', type=str, default='weights/yolov5s.pt', help='initial weights path')

2、模型yaml文件的路徑--cfg。因為我們用的預訓練模型是yolov5s.pt對應yolov5s.yaml，所以將此參數改為如下路徑：

parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='model.yaml path')

3、我們將自己的數據集文件夾改為了coco128，所以對--data參數的修改如下：

parser.add_argument('--data', type=str, default='data/coco128.yaml', help='data.yaml path')

4、訓練輪次。默認300，如果想更改，那么請關注到這里：

parser.add_argument('--epochs', type=int, default=300)

5、圖片數量及工作核心數。這二者默認16和8。我的電腦CPU是?i9-10900K(10核心，20線程)，GPU是RTX2060。如果圖片輸入數量設置時與核心數不匹配，那么就會出現“RuntimeError：CUDA out of memory. Tried to allocate......"的報錯信息。需要修改這兩個參數的同學，請關注這里：

parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs')parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers')

6、避免虛擬內存不足報錯

? ? ? ? 使用Pycharm編輯器進行訓練時，可能會出現“OSError：[WinError 1455]頁面文件太小，無法完成操作。 Error loading ......”，此時需要定位到utils文件夾下的datasets.py文件中，對第81行代碼的“nw”參數進行修改，改為"num_worker=0"即可，如下圖所示：

此時，即可運行train.py文件，訓練自己的自定義數據集了。訓練開始的截圖如下圖所示：

last.pt是最后一輪的權重文件，best.pt是最好的權重文件。

?四、訓練過程可視化

? ? ? ? 有同學注意到訓練開始時，有提示說“tensorboard: Start with 'tensorboard --logdir runs/train', view at http://localhost:6006/”，所以，可以在Termianl框中輸入：

tensorboard --logdir runs/train

?在對應的頁面看到訓練過程，如下圖所示：

?如果模型訓練完畢，那么將會使用如下命令查看訓練結果：

tensorboard --logdir=runs

五、權重文件推理測驗?

?將我們剛才訓練產生的權重文件best.pt復制到weights文件夾中，使用命令行進行驗證：

python detect.py --weights weights/best.pt --img 640 --conf 0.25 --source data/images/ # --weights后面跟的是權重文件的路徑 # --conf后面是置信度 # --source后面是要推理的圖片路徑，可以具體到文件名，還可以是整個文件夾

到對應文件查看照片即可。

總結

以上是生活随笔為你收集整理的目标检测第8步：如何在Windows10系统下，训练YOLOv5 5.0自定义数据集？（本地）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。