一、本博客适用人群

如果您是一个初学者，对于如何使用YOLOv5来训练自己的目标检测数据集，并在不同的平台上进行部署（如C++、Python、树莓派等）有兴趣的话，本博客将为您提供简明扼要的指导和解释。

在本博客中，我们将逐步引导您完成以下内容：

1. 数据集准备：我将展示如何准备自己的目标检测数据集，包括收集和标注图像，并将其划分为训练集和验证集。

2. YOLOv5训练：我将指导您如何使用YOLOv5框架来进行模型训练，包括设置训练参数和开始训练过程。

3. 模型评估和调优：在训练完成后，我们将向您展示如何评估训练得到的模型的性能，并介绍一些调优技巧来提升检测结果。

4. C++部署：如果您有兴趣在C++环境中使用训练好的模型进行目标检测，我们将提供指导和示例代码，帮助您将YOLOv5模型集成到C++项目中。

5. Python部署：如果您更倾向于在Python环境中运行目标检测代码，我们将介绍如何使用Python和相关库来加载和使用YOLOv5模型。

6. 树莓派部署：若您希望在树莓派上进行目标检测应用，我们将向您展示如何将训练好的模型移植到树莓派上，并演示如何在实时视频流中进行目标检测。

二、为什么写这篇博客

当然是因为我的好朋友（W某）给我的灵感，W某课题组什么几乎都是AI小白（当然，博主也是），老板让用YOLOV5做一个指针指向的位置的检测与分类（3分类）。W某懵逼了，听说我在搞DL，给我发了WeChat问我：这个怎么做？我恰巧刚好做了yolov5-lite的项目工作，也部署到了树莓派4,。我只能告诉他很简单。

没想到，这小子转头花3k在网上找人买了200行的C++部署代码，他的队友开启了yolov5训练，直到遇到新问题，又问我：为什么我们训练2000张图片要花3天？我懵逼了，这小子估计看都没看调参直接开跑了。经过询问得知，居然还能有更糟糕的情况，他们的项目是要做定位与3分类，我万万没想到，这群小子说只要识别1种就可以了，于是只标注了一种类别，我笑麻了。

好了，上面都是扯淡，其实，我意识到，如果真的是从0开始做yolo，还是有点困难的，因为根本不知道怎么下手，数据如何标注？标多少？如何训练？如何评估？如何部署？等等。本博客，将会从0开始交YOLOV5完成一个项目的全过程，当然博主也是机械出生的小白，当然写的过程会有遗漏，如果有想跟我交流的，提醒我更新博客的，请给我发邮件：[email protected]

三、YOLOV5源代码项目的选择

YOLOV5目前我就用过两个版本，一个是ultralytics写的，另外一个是ppogg大佬写的轻量级版本，更适合边缘部署，例如安卓端和树莓派，实现快速实时推理。

两个项目下载地址如下：

yolov5项目地址：

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

yolov5-lite项目地址：

ppogg/YOLOv5-Lite: YOLOv5-Lite: lighter, faster and easier to deploy. Evolved from yolov5 and the size of model is only 930+kb (int8) and 1.7M (fp16). It can reach 10+ FPS on the Raspberry Pi 4B when the input size is 320×320~ (github.com)

以v5-lite为例，点击code，点击download zip，即可下载源代码，下载完解压即可。

四、数据集的制作

4.1如何标注数据？该怎么标注？

很多小白会出现像我的好朋友W某一样的错误，认为我只要识别某一种，那么我只标注一种类别就可以了，其实，也不完全是这样。

例如，我们要检测一张图片中的人脸，那么我们标注人脸就可以了。但是，如果你做多分类的时候，仅仅只标注出一种你想要识别到的结果，往往准确率是不行了，模型无法学到多分类之前类别的细微差距，由于项目具有保密性。这个项目就不介绍了。

举一个最简单的例子，例如现在有农夫山泉，怡宝，康师傅三种矿泉水。你需要识别定位出农夫山泉的位置，你只标注农夫山泉水，这样模型可能就无法做出区分了，模型可能会认为你只是想要识别出矿泉水，它学到的特征可能就是水瓶的特征，而不是三种矿泉水的区别。

4.2标注数据量

数据一般来说是越多越好，但是标注越多，工作量越大，所以建议大家做可以先标注2000张测试看下效果如何。我之前做行人检测，人脸检测，标了2000张，效果已经非常不错了。

4.3利用工具labelimg标注数据

数据集制作参考下面这个博客，这个博客的教程很详细，我第一次标注就是跟着这个博客来做的；使用labelimg标注自己的数据集，记得标注格式选择YOLO格式。利用labelimg制作自己的深度学习目标检测数据集。

标注完应该具有这样的格式：

images里面放置图像，labels里面放置对应的.txt标注文件。

按照8:2的比例划分训练集和验证集，训练集的数据主要为了训练模型，而验证集的数据是为了每一轮测试当前轮的模型的准确率，例如第200轮训练准确率是80，第250轮准确率是90，这个数据是使用验证集测试出来的，我们最后选择在验证集上表现最好的模型去部署，去测试。

具体训练集、验证集、测试集的解释，可以参考下面这两篇博客：

深度学习入门：训练集、验证集、测试集_训练集测试机验证集_apprentice_eye的博客-程序员宅基地

训练集、验证集、测试集以及交验验证的理解-程序员宅基地

五、YOLOV5训练前的准备

5.1什么是预训练的模型？

GPT3.5给出的解释是：

预训练模型是一种机器学习技术，通常使用大量数据在未经过特定任务训练之前进行训练。

预训练模型的作用主要包括以下几个方面：

1. 提供更好的初始参数：在实际应用中，由于存在有限的标注数据，很难直接训练一个具有良好泛化性能的模型。预训练模型提供了一个更好的初始参数，可以加快模型的收敛速度，同时也能避免模型学习到无效的特征。
2. 可以避免模型过拟合：对于大规模的自然语言数据，很难直接使用监督学习的方法进行训练，容易导致模型过拟合。而预训练模型则可以通过无监督学习的方式大规模地学习语言知识，使得模型具有更好的泛化性能。
3. 能够提高模型的精度和效率：预训练模型可以利用大规模的语料库来进行无监督学习，从而学习到语言的本质特征，同时也可以减少模型在新任务上的训练时间和计算资源的消耗，提高模型的精度和效率。

总之，预训练模型是现代自然语言处理中不可或缺的一部分，能够帮助我们更好地解决实际问题。

以我个人的理解就是，选择别人已经训练好的预训练模型，我们在这个模型的基础上继续训练，我们能训练出来更好的结果，能够是模型收敛更快。

5.2选择预训练权重？

根据yolov5官方github给的权重，我个人建议大家从YOLOv5s这个模型开始尝试就可以了，这个模型准确率和速度都还可以，如果效果不好，大家再考虑换更大的模型。

点击要的模型下载即可。

5.3训练前的相关配置

首先打开代码中train.py文件。

打开之后，我们只需要准备如下图划线的基础配置文件即可。

1.按照顺序，先把我们下载好的模型放置进来，然后配置好路径。

2. 我们选择是v5s，那么我们更改yolov5s.yaml的配置文件就可以了，我们做的数据标签有3种的话。只需要更改nc：80为nc：3即可。

3.更改数据配置

复制一个新的VOC.yaml，改个名字，然后写自己的配置。我这里为了简单就直接在VOC里面改了给大家看。把数据路径配置好，类别3分类是3种。

配置完了之后，就是这样的

epochs设置300轮，batchsize设置为4，这样精度高一点，并且防止有的同学电脑显存不够。

然后直接运行train.py就可开始训练了。

六、训练结果分析

更新中ing...