PyTorch 2.0 目前并没有正式发布，并且 YOLOv5 官方支持的是基于 PyTorch 1.x 的版本，所以这里我们将讨论如何在现有的 PyTorch 环境下训练 YOLOv5。 为了使用 PyTorch 训练 YOLOv5 模型，请按照以下步骤操作： ### 步骤一：环境准备 确保安装了 Python (推荐版本 >=3.8) 和 Git 。接着克隆官方仓库并进入项目文件夹: ```bash git clone https://github.com/ultralytics/yolov5.git cd yolov5 ``` 创建虚拟环境以保持依赖项干净整洁（建议做法），然后激活它。之后可以利用 pip 来安装所需的库： ```bash python -m venv myvenv # 创建名为myvenv的新虚拟环境 source myvenv/bin/activate # Unix 或 MacOS 下激活; Windows 用户应运行 `myvenv\Scripts\activate` pip install -r requirements.txt # 根据需求文档安装包 ``` 确认已成功安装 CUDA 版本的 PyTorch （如果需要 GPU 加速）。你可以通过如下命令检查是否正确设置GPU支持： ```python import torch print(torch.cuda.is_available()) ``` 该函数返回 True 表明一切正常；否则你需要参照 [PyTorch官网](https://pytorch.org/get-started/) 获取适合系统的安装指令。 ### 步骤二：数据集配置 下载或准备好用于训练的数据集，并将它们组织成标准 COCO 数据格式，包括图像目录、标注 JSON 文件等部分。如果你打算自定义数据集，则需编写对应 `.yaml` 配置文件指定路径及类别信息。 例如，在根目录下的 data/custom.yaml 应包含类似内容： ```yaml train: path/to/train/images/ val: path/to/validation/images/ nc: number_of_classes # 类别总数 names: - class_name_1 # 第一类名称 - ... # 其余各类依次列出 ``` ### 步骤三：开始训练模型 现在可以在终端中执行 python train.py 命令启动训练过程，默认情况下会加载预训练权重 finetune 新任务： ```bash python train.py --img-size 640 --batch-size 16 --data data/custom.yaml --weights yolov5s.pt --epochs 100 --project custom_yolo_project ``` 上述选项含义分别为图片大小、批次规模、所指代数集配置、初始化权值文件位置以及迭代周期数目。调整参数直至满意为止。 注意：实际应用时可根据硬件条件适当调节 batch size 参数避免内存不足错误发生。 ### 进阶技巧提示： - 使用分布式DataLoader或多机集群加速大规模样本处理速度； - 考虑迁移学习策略，即从已有相似领域模型微调而非完全随机初始； - 实验不同的优化算法如 AdamW 替换默认 SGD 可能带来性能增益； - 关注日志输出中的 mAP@0.5 等指标变化趋势判断收敛情况。 完成以上流程后就可以得到一个针对特定应用场景定制化的YOLO检测系统啦！ --