Yolov5训练建议

github网址：Tips for Best Training Results · ultralytics/yolov5 Wiki (github.com) 

本指南解释了如何使用YOLOv5🚀生成最佳mAP和训练结果。2022年5月25日更新。

大多数情况下，只要数据集足够大且标记良好，不需要改变模型或训练设置就可以获得良好的结果。如果一开始你没有得到很好的结果，你可以采取一些步骤来提高，但我们总是建议用户在考虑任何更改之前先用所有默认设置进行训练。这有助于建立性能基准并找出需要改进的地方。

如果您对训练结果有疑问，我们建议您提供尽可能多的信息，包括结果图(训练损失、验证损失、P、R、mAP)、PR曲线、混淆矩阵、训练整合、测试结果和数据集统计图像(如labels.png)。所有这些都位于您的 project/name 目录中，通常是 yolov5/runs/train/exp 。

我们为希望在YOLOv5培训中获得最佳结果的用户提供了一份完整的指南。

---

数据集Dataset

每个类的图像：每个类最好 >=1500 张图像 （图像个数）

每个类的实例：推荐每个类≥10000个实例(标记对象)（每个类里面的东西的个数）

图像的多样性：必须能代表所部署的环境。对于现实世界的用例，我们推荐不同时间、不同季节、不同天气、不同光照、不同角度、不同来源