Uno, descarga del código fuente yolov5
https://github.com/ultralytics/yolov5 
https://github.com/ultralytics/yolov5
El siguiente diagrama muestra cinco variantes de YOLOv5, comenzando con el modelo nano YOLOv5 más pequeño creado para ejecutarse en dispositivos móviles e integrados, y terminando con el YOLOv5 XLarge en el otro extremo. Usaremos el modelo base YOLOv5s aquí, que proporciona un buen equilibrio entre precisión y velocidad.
2. Descarga el conjunto de datos
El conjunto de datos contiene solo 627 imágenes de varias clases de vehículos para la detección de objetos, como automóvil , autobús , ambulancia , motocicleta y camión . Las imágenes son del conjunto de datos de visión por computadora de código abierto Open Images .
Dirección de la página web del conjunto de datos, este sitio web sigue siendo una muy buena colección de conjuntos de datos, vale la pena explorarlo y se recomienda utilizar los siguientes dos métodos para descargar.
Conjunto de datos de detección de objetos Vehicles-OpenImages Descargue 627 imágenes gratuitas etiquetadas con cuadros delimitadores para la detección de objetos. https://public.roboflow.com/object-detection/vehicles-openimages 1. Puede usar el siguiente comando para descargar
2. También puede descargar directamente desde el disco de red de Baidu
链接：https://pan.baidu.com/s/1qa5iI9-uBhYGzp7BMPx0rw?pwd=cpgi
提取码：cpgi3. Prepárate para el entrenamiento
Tenga cuidado de no ponerlo en el camino chino.
1. Preparar datos
Cree data.yml, que se puede colocar en el directorio de datos
path: 'vehicles'
train: 'train'
val: 'valid'
nc: 5
names: ['Ambulance', 'Bus', 'Car', 'Motorcycle', 'Truck']2. Hiperparámetros de entrenamiento y configuración del modelo
YOLOv5 tiene alrededor de 30 hiperparámetros para varias configuraciones de entrenamiento. Estos se definen en hyp.scratch-low.yaml para el entrenamiento COCO de bajo aumento desde cero, ubicado en el directorio /data . Los hiperparámetros de datos de entrenamiento se muestran a continuación, los cuales son importantes para producir buenos resultados, así que asegúrese de inicializar estos valores correctamente antes de comenzar el entrenamiento. Para este tutorial, simplemente usaremos los valores predeterminados, optimizados para el entrenamiento COCO de YOLOv5 desde cero.
3. Ejecute el script train.py
El archivo yolov5s.pt se descargará de manera predeterminada, si la descarga es lenta, puede descargarlo manualmente y colocarlo en el directorio raíz.
La estructura del directorio es la siguiente.
Comience a entrenar y se le solicitará la ubicación para guardar una vez que se complete la carrera.
4. Ejecute el script de verificación
Principalmente modifique dos parámetros, uno es data.yaml y el otro es la ruta de best.pt obtenida después del entrenamiento.
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%83vehículos%E6%95%B0%E6%8D%AE%E9% 9B% 86