yolov5 last.pt

### YOLOv5 `last.pt` 权重文件的相关说明 YOLOv5 的 `last.pt` 文件通常是通过自定义数据集训练过程中生成的一个中间权重文件。它表示当前训练周期结束后的最新保存状态，而不是预训练模型的一部分[^1]。 如果需要获取 `last.pt` 文件，可以按照以下方式操作： #### 方法一：从官方仓库或其他开源项目中查找 虽然 Ultralytics 官方发布的版本不包含 `last.pt` 文件，但在一些社区贡献者或第三方实现中可能会提供类似的文件。可以通过搜索引擎或者 GitHub 上的其他分支寻找特定用途的 `last.pt` 文件[^2]。 #### 方法二：自行训练并生成 `last.pt` 如果没有找到现成的 `last.pt` 文件，则可以选择基于自己的需求重新训练模型来获得该文件。以下是具体步骤： 1. 下载 YOLOv5 源码库到本地环境，并完成依赖安装。 ```bash git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip3 install -r requirements.txt ``` 2. 准备好自定义的数据集（包括图片和标注），并将它们整理为 COCO 或 YOLO 格式的标签文件。 3. 修改配置文件中的超参数设置以及路径指向，例如调整 `data.yaml` 和 `hyp.yaml` 中的内容。 4. 开始训练过程，在命令行输入如下指令即可启动脚本运行，默认情况下会每隔一定轮次自动存储一次最新的 checkpoint 至 runs/train/{experiment_name}/weights/last.pt 路径下。 ```bash python train.py --img 640 --batch 16 --epochs 50 --data dataset/data.yaml --cfg models/yolov5s.yaml --weights '' --name custom_training_run ``` 注意这里设置了 `--weights ''` 参数表明我们是从头开始构建网络结构而非加载任何预先存在的参数值；另外还可以指定其他的选项比如学习率衰减策略等进一步优化性能表现。 最后提醒一下，由于这是个人定制化产物所以很难直接在网络上寻获通用版别的 last.pt ，建议尽可能依据实际应用场景动手实践制作专属版本吧！ ```python import torch from utils.general import check_img_size, non_max_suppression, scale_coords from utils.torch_utils import select_device, time_synchronized device = select_device('') # 使用 CPU 进行推理 model = attempt_load('runs/train/exp/weights/last.pt', map_location=device) # 加载 last.pt 模型 stride = int(model.stride.max()) # 获取步幅大小 imgsz = check_img_size(640, s=stride) # 验证图像尺寸是否匹配 ```