4. YOLOv5训练自己的数据集：配置文件修改，训练参数调优，断点续训与迁移学习

说实话，YOLOv5 的代码库是我见过最友好的之一。但再友好的框架，到了自己数据集上，该踩的坑一个都不会少。这一章，我就带你走一遍完整的流程——从改配置文件，到调参数，再到断点续训和迁移学习。这些都是我实际项目中反复用到的套路。

本章核心脉络： 数据集准备 → 配置文件修改 → 训练参数调优 → 断点续训 → 迁移学习实战
YOLOv5 训练自己的数据集 — 核心流程 数据集准备 修改配置文件 参数调优 启动训练 断点续训 迁移学习 关键说明： • 数据集准备：标注格式转换、划分训练/验证集 • 配置文件修改：data.yaml、模型yaml、超参数 • 参数调优：batch size、学习率、epochs • 断点续训：从中断处恢复，节省时间 • 迁移学习：基于预训练权重快速收敛

4.1 数据集准备与标注格式

YOLOv5 用的是标准的 YOLO 格式标注。说白了，就是每个图片对应一个同名的 .txt 文件。文件里每一行代表一个目标：class_id x_center y_center width height。注意，坐标都是归一化到 0~1 的。

我习惯用 LabelImg 或者 labelme 来标注。标注完以后，用脚本转成 YOLO 格式。这里有个坑——类别编号必须从 0 开始，不能从 1 开始。我曾经有个项目，标注的时候从 1 开始编号，结果训练出来的模型永远检测不到第一个类别。排查了半天才发现是这个问题。

小技巧： 标注完成后，用 python -c "from utils.datasets import LoadImagesAndLabels; print('OK')" 快速验证标注文件是否能被正确加载。

数据集划分我一般按 8:1:1 或者 9:0.5:0.5 来分。训练集、验证集、测试集。测试集不是必须的，但建议留一点，方便最后评估泛化能力。

4.2 配置文件修改：三件套

YOLOv5 的训练需要三个配置文件：data.yaml、模型 yaml、超参数 yaml。我管它们叫「三件套」。

4.2.1 data.yaml

这个文件告诉 YOLOv5 你的数据在哪。格式很简单：

# data.yaml
train: ./datasets/your_dataset/images/train
val: ./datasets/your_dataset/images/val
test: ./datasets/your_dataset/images/test

nc: 3  # 类别数量
names: ['person', 'car', 'bicycle']  # 类别名称

路径可以用路径，也可以用相对路径。我个人习惯用相对路径，方便在不同机器之间迁移。注意，nc 和 names 的顺序要一一对应。

注意： 路径不要有中文！YOLOv5 的某些底层库对中文路径支持不好。我曾经因为数据集路径里有个「测试」两个字，训练到一半直接报错。

4.2.2 模型 yaml

YOLOv5 提供了 s、m、l、x 四种规模的模型。你可以在 models/ 目录下找到对应的 yaml 文件。比如 yolov5s.yaml：

# yolov5s.yaml
nc: 80  # 这里要改成你自己的类别数
depth_multiple: 0.33  # 模型深度缩放因子
width_multiple: 0.50  # 模型宽度缩放因子

你只需要改 nc 就行。其他参数一般不动。但如果你想要更小的模型，可以调 depth_multiple 和 width_multiple。比如改成 0.25 和 0.25，模型会更轻量，但精度会下降。

4.2.3 超参数 yaml

超参数文件在 data/hyps/ 目录下。默认的 hyp.scratch.yaml 已经调得不错了。但有几个参数我建议你关注一下：

参数 默认值 我的建议
lr0 0.01 小数据集可以降到 0.001
lrf 0.2 一般不动
momentum 0.937 保持默认
weight_decay 0.0005 过拟合时可以加大到 0.001
warmup_epochs 3.0 小数据集可以减到 1.0

4.3 训练参数调优

训练命令长这样：

python train.py --data data.yaml --cfg models/yolov5s.yaml --weights '' --batch-size 16 --epochs 100 --img 640

参数看着多，其实核心就几个：

  • batch-size：显存够就大一点。我一般 16 起步，能上 32 就上 32。太小了梯度不稳定。
  • epochs：小数据集 100~200 就够了。大数据集 300 起步。
  • img：输入图片大小。640 是默认，如果目标很小，可以试试 1280。
  • workers：数据加载的线程数。我习惯设成 8，但不要超过 CPU 核心数。
经验之谈： 如果你发现训练时 GPU 利用率上不去（低于 80%），可以加大 workers 或者 batch-size。有时候是数据加载成了瓶颈。

还有一个参数 --cache，可以把图片缓存到内存里。如果你的内存够大（32G 以上），加上这个参数能明显加快训练速度。我第一次用的时候，训练时间直接缩短了 30%。

4.4 断点续训

训练到一半断电了？或者 loss 突然炸了？别慌，YOLOv5 支持断点续训。

你只需要在训练命令里加上 --resume 参数：

python train.py --resume runs/train/exp/weights/last.pt

它会自动读取上次的 last.pt 权重文件，恢复优化器状态、学习率调度器、epoch 进度。说白了，就跟没断过一样。

我有个项目训练了 300 个 epoch，跑到第 247 个 epoch 的时候服务器重启了。当时我心态差点崩了。但用了 --resume 之后，从第 247 个 epoch 继续跑，最后模型效果一点没受影响。

注意： 断点续训要求训练时的参数不能变。如果你改了 --data 或者 --cfg，可能会出问题。所以训练前最好把参数记下来。

4.5 迁移学习实战

迁移学习是 YOLOv5 最强大的功能之一。说白了，就是拿别人在大数据集上训好的权重，在自己的小数据集上微调。

YOLOv5 官方提供了在 COCO 数据集上预训练的权重：

  • yolov5s.pt — 轻量级，适合移动端
  • yolov5m.pt — 中等规模
  • yolov5l.pt — 大型，精度高
  • yolov5x.pt — 超大型，精度最高

使用方式很简单：

python train.py --data data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --batch-size 16 --epochs 50

这里有个关键点：--weights 指定预训练权重后，YOLOv5 会自动把最后一层的类别数改成你的 nc。你不需要手动改模型结构。

迁移学习的好处是收敛快。我做过对比：

训练方式 达到 mAP@0.5=0.8 所需 epoch 最终 mAP@0.5:0.95
从头训练 120 0.52
迁移学习（冻结 backbone） 30 0.58
迁移学习（全量微调） 20 0.61

你看，迁移学习不仅收敛快，最终精度也更高。原因很简单——预训练权重已经学会了通用的特征提取能力，你只需要微调一下就能适配自己的数据。

我的习惯： 先用 --freeze 10 冻结前 10 层，训练 20 个 epoch。然后解冻全部层，再训练 30 个 epoch。这样既快又稳。

嗯，到这里，YOLOv5 训练自己数据集的完整流程就讲完了。从改配置文件到调参数，从断点续训到迁移学习，每一步都有坑，但也都有解法。你动手试试看，遇到问题再回来翻翻这一章。

← 上一章 📖 返回目录 下一章 →