YOLOv5(You Only Look Once) 是由 Ultralytics 开发的一种高效、轻量化的目标检测模型，基于 PyTorch 实现，支持实时检测任务。它结合 CSPNet 和 PANet 提升特征提取和融合能力，并通过 Mosaic 数据增强和自动锚框优化提高检测精度。YOLOv5 提供多种模型尺寸（如 YOLOv5s、YOLOv5x），适用于从嵌入式设备到高性能服务器的广泛场景，常用于自动驾驶、视频监控、医学影像等领域，具备快速部署和高准确率的优势。

环境配置

1. 运行环境

文档末附有完整的pip管理的包及其版本。

2. 安装 Conda

参考这篇文章: https://docs.aheadai.cn/60.html

3. 创建 Conda 环境

创建新的conda环境：

conda create -n yolo_v5 python=3.8

激活环境：

conda activate yolo_v5

4. 安装必要的 Python 包

注意：文章结尾有所有的Python 包列表。

进入你想存放数据的文件夹下，下载项目源码（从GitHub上下载yolov5的源码）：

wget https://mirrors.aheadai.cn/pkgs/yolov5-master.zip
# 或者也可以从官网去下载，官网链接：https://github.com/ultralytics/yolov5

解压：

unzip yolov5-master.zip 

进入yolov5-master文件夹

cd yolov5-master 

安装依赖：

pip install -r requirements.txt

准备数据集

训练模型可以选择下载笔者使用的数据集，如果想训练自己的数据集请跳过此部分：

cd .. # 退回yolov5-master的上级文件夹
wget https://mirrors.aheadai.cn/data/yolov5-data.zip

解压：

unzip yolov5-data.zip

1. 创建数据集

创建yolov5-data文件夹，并在此文件夹下创建images文件夹，labels文件夹和yolov5.yaml，将图片统一放在images文件夹下。

注意：一些常见的图片格式如.png无法被识别。

处理数据集，利用labelImg-master标注图片

cd .. # 退回yolov5-master的上级文件夹
wget https://mirrors.aheadai.cn/pkgs/labelImg-master.zip
# 或者也可以从官网去下载，官网链接：https://github.com/tzutalin/labelImg-master

解压：

unzip labelImg-master.zip 

进入labelImg-master文件夹，修改子文件夹data下predefined_classes.txt的内容为自己需要分类的名称

如笔者使用的数据集的内容为

bike
boat
bus
car
cycle
helicopter
plane
scooty
truck

进入labelImg-master文件夹

cd labelImg-master

运行labelimg.py

python labelimg.py

进入之后，首先将View的选项全部勾上，便于我们标记。然后把标记模式改为yolo。

选择图片路径为image文件夹，选择保存路径为labels文件夹，在右上角勾选上使用预设标签，接下来就可以手动标记了。

下面是一些常用的快捷键

W：创建选择框

S：上一张图片

D：下一张图片

最后，配置yolov5.yaml文件，以下是笔者使用的yolov5.yaml，以作参考

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/] # dataset root dir
path: 
train: ../yolov5-data/images
val: ../yolov5-data/images
test: 
# number of classes

# class names
names:
    0: bike
    1: boat
    2: bus
    3: car
    4: cycle
    5: helicopter
    6: plane
    7: scooty
    8: truck

train是训练集，val是训练过程中的测试集，test是训模型结束后用于评价模型结果的测试集。其中，只有train是必须的，其他可以根据自己需要设置。对应路径也请结合自己实际情况修改。

names是类别名称，与predefined_classes.txt中的内容相同。

注意：images和labels文件夹下均可存在子文件夹，但一定要保证文件路径相同，如images_bike.jpg被放在了images/bike文件夹下，那么images_bike.txt也一定要放在labels/bike下。

注意：如果要在其他平台进行训练，需在此平台重新配置yolov5环境，并将整理好的yolov5-data文件夹压缩并上传，如在本地运行则无需此步。

开始训练

先再次进入yolov5-master文件夹

cd yolov5-master

下载训练权重，yolov5从上至下权重的模型越来越复杂，速度越来越慢，准确率越累越高，选择适合的训练权重下载即可。

wget https://mirrors.aheadai.cn/pkgs/yolov5s.pt
# 或者也可以从官网去下载，官网链接：https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s.pt
wget https://mirrors.aheadai.cn/pkgs/yolov5m.pt
# 或者也可以从官网去下载，官网链接：https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5m.pt
wget https://mirrors.aheadai.cn/pkgs/yolov5l.pt
# 或者也可以从官网去下载，官网链接：https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5l.pt
wget https://mirrors.aheadai.cn/pkgs/yolov5x.pt
# 或者也可以从官网去下载，官网链接：https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5x.pt

运行train.py文件训练

python train.py --img 320 --batch 50 --epochs 100 --data ../yolov5-data/yolov5.yaml --weights yolov5x.pt --cache

运行detect.py文件推理

python detect.py --weights ./runs/train/exp/weights/best.pt --img 320 --conf 0.25 --source ../test/

参数解释：

img：输入图片宽高
batch：多少张图片进行权重更新，梯度下降的mini-batch
epochs：迭代次数
data：存储训练、测试数据的文件
weigts：权重文件，训练时选择下载的训练权重，推理时选择训练结束保存的best.pt文件
cfg：存储模型结构的配置文件
source：存放测试图像的文件夹路径

log文档

log文档地址：https://mirrors.aheadai.cn/log/4090-autodl-yolov5-training_log

附：Python 环境中的已安装包（pip list）