YOLOv5改模型后怎么运行

### 修改 YOLOv5 模型后的运行流程 当对 YOLOv5 的模型结构或参数进行了修改后，为了确保能够顺利执行训练或推理过程，需遵循特定的操作步骤。 #### 准备环境配置 确保 Python 和必要的库已经安装完毕。对于依赖项管理，推荐使用虚拟环境工具如 `venv` 或者 Anaconda 来创建独立的工作空间[^1]。 ```bash python -m venv yolov5_env source yolov5_env/bin/activate # Linux/MacOS yolov5_env\Scripts\activate # Windows pip install -r requirements.txt ``` #### 更新数据集路径与类别数 在 YAML 配置文件中指定新的数据集位置以及对应的分类数目。这一步骤至关重要，因为任何变动都会影响到后续的标签映射和性能评估逻辑。 #### 调整超参数设置 通过编辑相应的 YAML 文件来微调学习率、批次大小等关键因素。合理的参数选择有助于提升检测精度并缩短收敛时间。 #### 启动训练脚本 完成上述准备工作之后，可以利用官方提供的命令行接口启动训练任务： ```bash python train.py --img 640 --batch 16 --epochs 50 --data custom_data.yaml --cfg models/yolov5s_custom.yaml --weights '' --name yolov5s_results --cache ``` 此指令中的选项可以根据实际情况灵活调整，比如图像尺寸 (`--img`)、批量处理数量(`--batch`)、迭代周期(`--epochs`)等参数均支持自定义设定。 #### 执行推理测试 一旦训练结束，便可通过加载预训练权重来进行预测操作。下面是一段简单的代码片段用于展示如何实现这一功能： ```python import torch from pathlib import Path from utils.general import non_max_suppression, scale_coords from utils.torch_utils import select_device, time_sync from models.experimental import attempt_load device = select_device('') # 自动选择可用设备 (CPU/GPU) model = attempt_load(weights='runs/train/exp/weights/best.pt', map_location=device) # 加载最优模型权值 stride = int(model.stride.max()) # 获取步幅信息 names = model.module.names if hasattr(model, 'module') else model.names # 类别名称列表 def detect(image_path): imgsz = 640 # 输入图片分辨率 conf_thres = 0.25 # 置信度阈值 iou_thres = 0.45 # NMS IOU 阈值 dataset = LoadImages(image_path, img_size=imgsz, stride=stride) t0 = time_sync() for path, img, im0s, vid_cap in dataset: img = torch.from_numpy(img).to(device) img = img.float() # uint8 to fp16/32 img /= 255.0 # 归一化至 [0, 1] pred = model(img)[0] det = non_max_suppression(pred, conf_thres, iou_thres)[0] if len(det): det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0s.shape).round() for *xyxy, conf, cls in reversed(det): label = f'{names[int(cls)]} {conf:.2f}' plot_one_box(xyxy, im0s, label=label, color=colors(int(cls), True)) print(f'Done. ({time_sync() - t0:.3f}s)') ``` 这段程序展示了从读取待测样本直至输出最终结果的整体流程，其中包含了目标定位框绘制等功能模块。