yolov5

官方说明，下载自己的数据集

如何使用 YOLOv5 🚀 训练您自己的自定义数据集

1. 在 Python>=3.8.0 环境中克隆存储库并安装requirements.txt，包括 PyTorch>=1.8。模型和数据集会从最新的 YOLOv5 版本自动下载。
2. 创建自定义模型来检测对象是一个迭代过程，包括收集和组织图像、标记感兴趣的对象、训练模型、将其部署到野外进行预测，然后使用该部署的模型收集边缘案例的示例以进行重复和改进。
3. YOLOv5 模型必须在标记数据上进行训练，以便学习该数据中的对象类。在开始训练之前，有两个选项可用于创建数据集：

4. 选项 1：创建 Roboflow 数据集

• 1.1 收集图片。

• 您的模型将通过示例进行学习。对与野外看到的相似的图像进行训练至关重要。理想情况下，您将从相同的配置（相机、角度、照明等）收集各种图像，因为您最终将部署您的项目。                    如果无法做到这一点，您可以从公共数据集开始训练初始模型，然后在推理过程中从野外采样图像，以迭代方式改进数据集和模型。

•  1.2 创建标签。

• 收集图像后，您需要对感兴趣的对象进行注释，以创建可供模型学习的基本事实。    Roboflow Annotate 是一个简单的基于 Web 的工具，用于与您的团队一起管理和标记您的图像，并以 YOLOv5 的注释格式导出它们。

• 1.3 为 YOLOv5 准备数据集。

• 无论您是否使用 Roboflow 标记图像，您都可以使用它将数据集转换为 YOLO 格式，创建 YOLOv5 YAML 配置文件，并将其托管以导入到您的训练脚本中。    创建一个免费的 Roboflow 帐户并将您的数据集上传到 Public 工作区，标记任何未注释的图像，然后以 YOLOv5 Pytorch 格式生成和导出数据集的版本。     注意：YOLOv5 在训练期间会进行在线增强，因此我们不建议在 Roboflow 中使用 YOLOv5 进行任何增强步骤。但我们建议应用以下预处理步骤：
• Auto-Orient - to strip EXIF orientation from your images.
  自动定向 - 从图像中剥离 EXIF 方向。
• Resize (Stretch) - to the square input size of your model (640x640 is the YOLOv5 default).
  调整大小（拉伸） - 调整为模型的正方形输入大小（640x640 是 YOLOv5 的默认值）。生成版本将为您提供数据集的快照，因此您可以随时返回并比较未来的模型训练运行与它，即使稍后添加更多图像或更改其配置也是如此。    以 YOLOv5 Pytorch 格式导出，然后将代码段复制到训练脚本或笔记本中以下载数据集。

1. 选项 2：创建手动数据集

•  2.1：创建手动数据集。

  COCO128 是一个示例小型教程数据集，由 COCO train2017 中的前 128 张图像组成。这些相同的 128 个图像用于训练和验证，以验证我们的训练管道是否能够过拟合。data/coco128.yaml，如下所示，是一个数据集配置文件，它定义了 1） 数据集根目录 path 和 train / val / test 图像目录（或 *.txt 具有图像路径的文件）的相对路径，以及 2） 类 names 字典：

  # Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
  path: ../datasets/coco128  # dataset root dir
  train: images/train2017  # train images (relative to 'path') 128 images
  val: images/train2017  # val images (relative to 'path') 128 images
  test:  # test images (optional)
  
  # Classes (80 COCO classes)
  names:
    0: person
    1: bicycle
    2: car
    # ...
    77: teddy bear
    78: hair drier
    79: toothbrush