ubuntu下yolov5训练自己的数据集

在Ubuntu系统上，训练自己的数据集使用YOLOv5的步骤如下： 1. 首先，你需要安装YOLOv5。你可以通过以下命令从官方GitHub仓库下载YOLOv5的代码文件： ``` git clone https://github.com/ultralytics/yolov5.git ``` 2. 接下来，你需要准备自己的数据集。这包括收集和标注你的图像数据，并将它们整理成适合YOLOv5训练的格式。你可以参考官方文档或其他教程来了解如何准备和标注数据集。 3. 修改YOLOv5的配置文件以适应你的数据集。在YOLOv5的`yolov5/data`目录下，你可以找到`data.yaml`文件。你需要编辑该文件，将其中的类别数和路径等信息修改为你自己的数据集对应的值。 4. 下载YOLOv5的权重文件。你可以从YOLOv5的GitHub发布页面下载对应版本的权重文件，确保选择与你使用的YOLOv5代码版本相匹配的权重文件。 5. 开始训练。在终端中，导航到YOLOv5的根目录，并运行以下命令来开始训练： ``` python train.py --img 640 --batch 16 --epochs 30 --data data.yaml --weights <path/to/weights> ``` 其中，`--img`参数指定输入图像的尺寸，`--batch`参数指定每批训练的图像数量，`--epochs`参数指定训练的轮数，`--data`参数指定数据集的配置文件路径，`--weights`参数指定权重文件的路径。 6. 训练完成后，你可以使用训练得到的网络模型进行测试。运行以下命令来测试训练出的模型： ``` python detect.py --weights <path/to/trained/weights> --img 640 --conf 0.5 --source <path/to/test/images> ``` 其中，`--weights`参数指定训练得到的权重文件的路径，`--img`参数指定输入图像的尺寸，`--conf`参数指定置信度阈值，`--source`参数指定测试图像的路径。 以上是在Ubuntu系统上使用YOLOv5训练自己的数据集的一般步骤。你可以根据具体需求进行适当调整和优化。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [YOLOv5(PyTorch)实战：训练自己的数据集(Ubuntu)](https://download.csdn.net/download/weixin_38647822/19919948)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [ubuntu+yolov5训练自己的数据集](https://blog.csdn.net/vcvvcvx/article/details/130694207)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

### 在 Ubuntu 上使用 YOLOv5 训练自定义数据集 要在 Ubuntu 系统上使用 YOLOv5 训练自定义数据集，可以按照以下方法操作： #### 1. 安装依赖环境 首先需要安装必要的 Python 和 PyTorch 环境。确保已安装最新版本的 `pip` 并创建虚拟环境（可选），然后克隆 YOLOv5 的 GitHub 仓库并安装所需依赖项。 ```bash git clone https://github.com/ultralytics/yolov5.git # 克隆YOLOv5仓库 cd yolov5 pip install -r requirements.txt # 安装依赖库 ``` 上述命令会自动配置好运行 YOLOv5 所需的基础环境[^1]。 --- #### 2. 数据集准备 为了使模型能够正常读取数据集，需要将其转换为适合 YOLO 格式的标注文件。以下是具体步骤： - **目录结构** 创建如下所示的数据集目录结构： ``` data/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ ├── train/ └── val/ ``` - **图像与标签对应关系** 将训练图片存放在 `images/train` 文件夹下，验证图片存放在 `images/val` 下；对应的标注文件则分别存储于 `labels/train` 和 `labels/val` 中。每张图片应有一个同名 `.txt` 文件作为其标注文件[^4]。 - **标注格式** 每行代表一个目标框，格式为：`<class_id> <x_center> <y_center> <width> <height>`，其中坐标均为相对于整幅图的比例值 (范围 `[0, 1]`)。 --- #### 3. 配置 YAML 文件 编写用于描述数据集路径和类别的 YAML 文件，通常命名为 `data.yaml` 或其他名称。该文件的内容大致如下： ```yaml train: ../data/images/train # 训练集路径 val: ../data/images/val # 测试集路径 nc: 8 # 类别数量 names: ['cat', 'dog', ... ] # 各类别名称列表 ``` 此文件的作用是指定数据的位置以及分类信息以便加载到网络中[^2]。 --- #### 4. 开始训练过程 完成以上准备工作之后即可启动训练脚本。通过指定参数来调整输入尺寸、批次大小、迭代次数等超参设置。下面是一个典型的调用例子： ```bash python train.py \ --img 640 \ # 输入分辨率，默认640像素 --batch 16 \ # 单次批量处理样本数 --epochs 300 \ # 总共执行轮次数目 --data ./data/data.yaml \ # 自己制作好的dataset yaml位置 --cfg ./models/yolov5s.yaml \# 使用的小型预设架构 --weights '' # 不加载任何初始权重进行全新训练 ``` 如果希望基于已有模型微调，则将最后一项替换为相应pt文件地址，比如 `'yolov5s.pt'` 表示从官方提供的小型版权重继续学习[^3]。 --- ### 注意事项 - 如果 GPU 显存不足或者 CPU 资源有限，请适当减少 batch size 参数。 - 对于复杂的场景识别任务可能需要更长时间收敛，建议增加 epoch 数量观察效果变化趋势。 ---