文章目录一、写在前面二、使用labelimg标记图片1.准备工作2.标记图片三、划分数据集以及配置文件修改1.划分训练集、验证集、测试集2.XML格式转yolo_txt格式3.配置文件4.聚类获得先验框四、使用CPU训练五、使用GPU训练1.开始训练2.重新下载pytorch六、训练结果可视化一、写在前面 博主也是最近开始玩yolov5的，甚至也是最近开始使用python的，很多东西都没有接触过，因此训练自己的数据集花了不少时间，所以想写篇博客记录一下，希望同样是零基础的小伙伴们可以更加轻松的上手。同时大家如果发现了错误和理解偏差，欢迎指正。参考资料：Yolov5训练自己的数据集（详细完整版）

文章目录一、写在前面二、使用labelimg标记图片1.准备工作2.标记图片三、划分数据集以及配置文件修改1.划分训练集、验证集、测试集2.XML格式转yolo_txt格式3.配置文件4.聚类获得先验框四、使用CPU训练五、使用GPU训练1.开始训练2.重新下载pytorch六、训练结果可视化一、写在前面 博主也是最近开始玩yolov5的，甚至也是最近开始使用python的，很多东西都没有接触过，因此训练自己的数据集花了不少时间，所以想写篇博客记录一下，希望同样是零基础的小伙伴们可以更加轻松的上手。同时大家如果发现了错误和理解偏差，欢迎指正。参考资料：Yolov5训练自己的数据集（详细完整版）

大家好，我是K同学啊！在前面的文章YOLOv5解析|第二篇：用YOLOv5训练自己的数据集（超级详细完整版）中我们介绍了使用训练自己的数据集。这一篇文章，我将带大家一起解析YOLOv5的6.0版本结构并改进模型，先看看我们模型结构图~由于YOLOv5存在多个版本，所以你在网上可能会看到许多不同版本是网络结构图。（这里放的是最新的YOLOv5的6.0版本结构图）文章目录一、YOLOv5的结构文件二、如何修改网络结构1.修改yolov5s.yaml文件2.修改common.py文件3.修改yolo.py文件一、YOLOv5的结构文件我们如何找到YOLOv5的结构文件？文件定位：…/models/*

大家好，我是K同学啊！在前面的文章YOLOv5解析|第二篇：用YOLOv5训练自己的数据集（超级详细完整版）中我们介绍了使用训练自己的数据集。这一篇文章，我将带大家一起解析YOLOv5的6.0版本结构并改进模型，先看看我们模型结构图~由于YOLOv5存在多个版本，所以你在网上可能会看到许多不同版本是网络结构图。（这里放的是最新的YOLOv5的6.0版本结构图）文章目录一、YOLOv5的结构文件二、如何修改网络结构1.修改yolov5s.yaml文件2.修改common.py文件3.修改yolo.py文件一、YOLOv5的结构文件我们如何找到YOLOv5的结构文件？文件定位：…/models/*

??>>>加勒比海带，QQ2479200884??>>>【YOLO魔法搭配&论文投稿咨询】✨✨>>>学习交流|温澜潮生|合作共赢|共同进步

??>>>加勒比海带，QQ2479200884??>>>【YOLO魔法搭配&论文投稿咨询】✨✨>>>学习交流|温澜潮生|合作共赢|共同进步

1、主要贡献   主要是现有的一些trick的集合以及模块重参化和动态标签分配策略，最终在5FPS到160FPS范围内的速度和准确度都超过了所有已知的目标检测器。   当前目标检测主要的优化方向：更快更强的网络架构；更有效的特征集成方法；更准确的检测方法；更精确的损失函数；更有效的标签分配方法；更有效的训练方法。2、主要思路   按照论文，目前模型精度和推理性能比较均衡的是yolov7模型(对应的开源git版本为0.1版)。根据源码+导出的onnx文件+“张大刀”等的网络图（修改了其中目前我认为的一些bug，增加一些细节）。重新绘制了yoloV70.1版本的非常详尽网络结构。注意：   1）其

1、主要贡献   主要是现有的一些trick的集合以及模块重参化和动态标签分配策略，最终在5FPS到160FPS范围内的速度和准确度都超过了所有已知的目标检测器。   当前目标检测主要的优化方向：更快更强的网络架构；更有效的特征集成方法；更准确的检测方法；更精确的损失函数；更有效的标签分配方法；更有效的训练方法。2、主要思路   按照论文，目前模型精度和推理性能比较均衡的是yolov7模型(对应的开源git版本为0.1版)。根据源码+导出的onnx文件+“张大刀”等的网络图（修改了其中目前我认为的一些bug，增加一些细节）。重新绘制了yoloV70.1版本的非常详尽网络结构。注意：   1）其

​前言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。解决问题：YOLOv5采用CIOU损失函数，优点：CIOU就是在DIOU的基础上增加了检测框尺度的loss，增加了长和宽的loss，这样预测框就会更加的符合真实框。但是缺点是：1.纵横比描述的是相对值，存在一定的模糊2.未考虑难易样本的平衡问题。针对以上问题，采用EIOU的

​前言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。解决问题：YOLOv5采用CIOU损失函数，优点：CIOU就是在DIOU的基础上增加了检测框尺度的loss，增加了长和宽的loss，这样预测框就会更加的符合真实框。但是缺点是：1.纵横比描述的是相对值，存在一定的模糊2.未考虑难易样本的平衡问题。针对以上问题，采用EIOU的