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 torch
print(torch.__version__)
print(torch.cuda.is_available())pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118pip 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/images
nc: 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/ 
