一、yolov5源码下载
https://github.com/ultralytics/yolov5
https://github.com/ultralytics/yolov5
下图显示了五种 YOLOv5 变体，从为在移动和嵌入式设备上运行而构建的最微型 YOLOv5 nano 模型开始，到另一端的 YOLOv5 XLarge。我们这里将使用基本模型 YOLOv5s，它在准确性和速度之间提供了较好的平衡。
二、下载数据集
该数据集仅包含 627 个用于对象检测的各种车辆类别的图像，例如Car、Bus、Ambulance、Motorcycle和Truck。这些图像来自Open Images开源计算机视觉数据集。
数据集网页地址，这个网站还是非常不错的数据集汇集地，值得探索一下，另外建议使用下面的两个方式下载。
2、也可以直接从百度网盘下载
链接：https://pan.baidu.com/s/1qa5iI9-uBhYGzp7BMPx0rw?pwd=cpgi
提取码：cpgi三、准备训练
注意不要放在中文路径内。
1、准备数据
创建data.yml，可以放在data目录下
path: 'vehicles'
train: 'train'
val: 'valid'
nc: 5
names: ['Ambulance', 'Bus', 'Car', 'Motorcycle', 'Truck']2、训练超参数和模型配置
YOLOv5 有大约 30 个超参数用于各种训练设置。这些定义在hyp.scratch-low.yaml用于从头开始的低增强 COCO 训练，放置在/data目录。训练数据超参数如下所示，这对于产生良好的结果非常重要，因此请确保在开始训练之前正确初始化这些值。对于本教程，我们将简单地使用默认值，从头开始针对 YOLOv5 COCO 训练进行了优化。
3、运行train.py脚本
默认会下载yolov5s.pt文件，如果下载缓慢可以手动下载放到根目录下。
目录结构如下。
开始训练，运行完成会提示保存位置，
4、运行验证脚本
主要修改两个参数，一个是data.yaml，另一个是训练完得到的best.pt的路径。
parser.add_argument('--data', type=str, default=ROOT / 'data/data.yaml', help='dataset.yaml path')
parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'runs/train/exp19/weights/best.pt', help='model path(s)')
https://github.com/bashendixie/ml_toolset/tree/main/%E6%A1%88%E4%BE%8B102%20%E4%BD%BF%E7%94%A8yolov5%E8%AE%AD%E7%BB%83vehicles%E6%95%B0%E6%8D%AE%E9%9B%86