YOLO系列的目标检测模型随着YOLOv5的引入变得越来越强大了。在这篇文章中，我们将介绍如何训练YOLOv5为你识别自己定制的对象。
本文我们使用公共血细胞检测数据集，你可以自己导出，也可以在自己自定义数据上使用本教程。公共血细胞检测数据集：https：／／public．roboflow．ai／object－detection／bccd为了训练检测器，我们采取以下步骤：安装YOLOv5依赖项下载自定义YOLOv5对象检测数据定义YOLOv5模型配置和架构训练一个定制的YOLOv5检测器评估YOLOv5性能可视化YOLOv5训练数据对测试图像使用YOLOv5进行推断导出并保存YOLOv5权重以供将来使用YOLOv5的新技术点就在两个月前，我们对googlebrain引入EfficientDet感到非常兴奋，并写了一些关于EfficientDet的博客文章。我们认为这个模型可能会超越YOLO家族在实时目标探测领域的突出地位，但事实证明我们错了。三周内，YOLOv4在Darknet框架下发布，我们还写了很多关于YOLOv4技术解析的文章。在写这些文章的几个小时之前，YOLOv5发布了，我们发现它非常清晰明了。YOLOv5是在Ultralytics－Pythorch框架中编写的，使用起来非常直观，推理速度非常快。事实上，我们和许多人经常将YOLOv3和YOLOv4 Darknet权重转换为Ultralytics PyTorch权重，以便使用更轻的库来更快地进行推理。YOLOv5比YOLOv4表现更好吗？我们很快会向你介绍，在此之前你需要已经对YOLOv5和YOLOv4有了初步的了解。
YOLOv5与EfficientDet的性能对比YOLOv4显然没有在YOLOv5存储库中进行评估，也就是说，YOLOv5更易于使用，而且它在我们最初运行的定制数据上表现非常出色。我们建议你在 YOLOv5 Colab Notebook 中同时进行接下来的操作。https：／／colab．research．google．com／drive／1gDZ2xcTOgR39tGGs－EZ6i3RTs16wmzZQ安装YOLOv5环境首先我们克隆YOLOv5存储库并安装依赖项，这会设置我们的编程环境，准备好运行对象检测训练和推理命令。！git clone https：／／github．com／ultralytics／yolov5 ＃ clone repo！pip install －U －r yolov5／requirements．txt ＃ install dependencies
％cd ／content／yolov5
然后，我们可以看看谷歌Colab免费提供给我们的训练环境。import torchfrom IPython．display import Image ＃ for displaying imagesfrom utils．google＿utils import gdrive＿download ＃ for downloading models／datasets
print（＇torch ％s ％s＇ ％ （torch．＿＿version＿＿， torch．cuda．get＿device＿properties（0） if torch．cuda．is＿available（） else ＇CPU＇））你会从谷歌Colab收到一个 Tesla P100 GPU。以下是我收到的：torch 1．5．0＋cu101 ＿CudaDeviceProperties（name＝＇Tesla P100－PCIE－16GB＇， major＝6， minor＝0， total＿memory＝16280MB， multi＿processor＿count＝56）GPU可以让我们加快训练时间，Colab预装了torch和cuda。如果你尝试在本地使用本教程，可能需要执行其他步骤来设置YOLOv5。下载自定义YOLOv5对象检测数据在本教程中，我们将从Roboflow下载YOLOv5格式的自定义对象检测数据。在本教程中，我们使用公共血细胞检测数据集训练YOLOv5检测血流中的细胞，你可以使用公共血细胞数据集或上传你自己的数据集。Roboflow：https：／／roboflow．ai／公共血细胞数据集：https：／／public．roboflow．ai／object－detection／bccd关于标记工具的说明如果你有未标记的图像，则首先需要标记它们。对于免费的开源标签工具，我们推荐你阅读 LabelImg入门 或 CVAT注释工具入门 的教程指南。尝试标记约50幅图像再继续本教程，因为在以后提高模型的性能的过程中，你将需要添加更多标签。https：／／blog．roboflow．ai／getting－started－with－labelimg－for－labeling－object－detection－data／https：／／blog．roboflow．ai／getting－started－with－cvat／一旦你标记了数据，要将数据移动到Roboflow中，请创建一个免费帐户，然后你可以以任何格式拖动数据集：（VOC XML、COCO JSON、TensorFlow对象检测CSV等）。上传后，你可以选择预处理和增强步骤：
为BCCD示例数据集选择设置然后，单击 Generate 和 Download，你将可以选择YOLOv5 Pythorch格式了。
