選擇“YOLO v5 Pythorch”當(dāng)出現(xiàn)提示時(shí)，一定要選擇“Show Code Snippet”，這將輸出一個(gè)下載curl腳本，這樣你就可以輕松地將數(shù)據(jù)以正確的格式移植到Colab中。curl －L ＂https：／／public．roboflow．a(chǎn)i／ds／YOUR－LINK－HERE＂ ＞ roboflow．zip； unzip roboflow．zip； rm roboflow．zip正在Colab中下載…

下載YOLOv5格式的自定義對(duì)象數(shù)據(jù)集導(dǎo)出將會(huì)創(chuàng)建一個(gè)名為data．yaml的YOLOv5．yaml文件，指定YOLOv5 images文件夾、YOLOv5 labels文件夾的位置以及自定義類的信息。定義YOLOv5模型配置和架構(gòu)接下來(lái)，我們?yōu)槲覀兊亩ㄖ茖?duì)象檢測(cè)器編寫(xiě)一個(gè)模型配置文件。在本教程中，我們選擇了最小、最快的YOLOv5基本模型，你也可以從其他YOLOv5模型中選擇，包括：YOLOv5sYOLOv5mYOLOv5lYOLOv5x你也可以在此步驟中編輯網(wǎng)絡(luò)結(jié)構(gòu)，但一般不需要這樣做。以下是YOLOv5模型配置文件，我們將其命名為custom＿yolov5s．yaml：nc： 3depth＿multiple： 0．33width＿multiple： 0．50

anchors：  － ［10，13， 16，30， 33，23］   － ［30，61， 62，45， 59，119］  － ［116，90， 156，198， 373，326］ 

backbone：  ［［－1， 1， Focus， ［64， 3］］，   ［－1， 1， Conv， ［128， 3， 2］］，   ［－1， 3， Bottleneck， ［128］］，   ［－1， 1， Conv， ［256， 3， 2］］，   ［－1， 9， BottleneckCSP， ［256］］，   ［－1， 1， Conv， ［512， 3， 2］］，    ［－1， 9， BottleneckCSP， ［512］］，   ［－1， 1， Conv， ［1024， 3， 2］］，   ［－1， 1， SPP， ［1024， ［5， 9， 13］］］，   ［－1， 6， BottleneckCSP， ［1024］］，  ］

head：  ［［－1， 3， BottleneckCSP， ［1024， False］］，   ［－1， 1， nn．Conv2d， ［na ＊ （nc ＋ 5）， 1， 1， 0］］，   ［－2， 1， nn．Upsample， ［None， 2， ＂nearest＂］］，   ［［－1， 6］， 1， Concat， ［1］］，   ［－1， 1， Conv， ［512， 1， 1］］，   ［－1， 3， BottleneckCSP， ［512， False］］，   ［－1， 1， nn．Conv2d， ［na ＊ （nc ＋ 5）， 1， 1， 0］］，   ［－2， 1， nn．Upsample， ［None， 2， ＂nearest＂］］，   ［［－1， 4］， 1， Concat， ［1］］，   ［－1， 1， Conv， ［256， 1， 1］］，   ［－1， 3， BottleneckCSP， ［256， False］］，   ［－1， 1， nn．Conv2d， ［na ＊ （nc ＋ 5）， 1， 1， 0］］，

  ［［］， 1， Detect， ［nc， anchors］］，  ］訓(xùn)練定制YOLOv5探測(cè)器我們的data．yaml和custom＿yolov5s．yaml文件已經(jīng)準(zhǔn)備好了，我們庫(kù)開(kāi)始訓(xùn)練了！為了開(kāi)始訓(xùn)練，我們使用以下選項(xiàng)運(yùn)行訓(xùn)練命令：img：定義輸入圖像大小batch：確定batch大小epochs：定義epochs。（注：通常，3000＋很常見(jiàn)！）data：設(shè)置yaml文件的路徑cfg：指定我們的模型配置weights：指定權(quán)重的自定義路徑。（注意：你可以從Ultralytics Google Drive文件夾下載權(quán)重）name：結(jié)果名稱nosave：只保存最后的檢查點(diǎn)cache：緩存圖像以加快訓(xùn)練速度運(yùn)行訓(xùn)練命令：

訓(xùn)練定制的YOLOv5探測(cè)器。它訓(xùn)練得很快！在訓(xùn)練期間，你可以看 mAP＠0．5 來(lái)了解你的探測(cè)器是如何運(yùn)行的，請(qǐng)參閱這篇文章。https：／／blog．roboflow．a(chǎn)i／what－is－mean－average－precision－object－detection／評(píng)估定制YOLOv5檢測(cè)器的性能現(xiàn)在我們已經(jīng)完成了訓(xùn)練，我們可以通過(guò)查看驗(yàn)證指標(biāo)來(lái)評(píng)估訓(xùn)練過(guò)程的執(zhí)行情況。訓(xùn)練腳本將刪除tensorboard日志，我們將其可視化：