YOLOv5 自定义目标检测训练实战训练曲线、验证样本与批量推理这篇教程根据我复现 YOLOv5 自定义目标检测流程时整理重点演示数据集准备、模型训练、训练曲线查看和测试集推理。本文整理自我的学习和项目复现过程尽量按实操顺序保留 notebook 的关键步骤同时把数据集获取方式调整为适合中文教程发布的写法。本文会重点跑通以下流程安装 YOLOv5 环境从数据集后台获取检测数据训练 YOLOv5s 模型查看训练曲线和增强样本用 best.pt 批量推理如果你正在系统学习目标检测、实例分割、OCR、多目标跟踪或视觉大模型建议收藏本文配套 notebook、示例图片和运行环境说明后续会继续整理。如果环境配置卡住可以在评论区说明具体报错。 文章目录YOLOv5 自定义目标检测训练实战训练曲线、验证样本与批量推理⚙️ 环境准备 安装 YOLOv5 从数据集后台获取数据️ 训练检测模型 训练结果查看 推理与展示 部署说明 小结 同系列教程汇总⚙️ 环境准备先检查 GPU 与基础运行环境。建议优先使用 Colab GPU 或本地 NVIDIA GPU 环境。!nvidia-smi 安装 YOLOv5克隆 YOLOv5 仓库并安装依赖。# clone YOLOv5 repository%cd/content !git clone https://github.com/ultralytics/yolov5# install dependencies as necessary!pip install-r requirements.txt !pip uninstall wandb-qy# deprecated dependencyimporttorchfromIPython.displayimportImage,clear_output# to display images# clear_output()print(Setup complete. Using torch %s %s%(torch.__version__,torch.cuda.get_device_properties(0)iftorch.cuda.is_available()elseCPU)) 从数据集后台获取数据下面按 notebook 原流程继续执行。fromtypesimportSimpleNamespace# 从数据集后台下载 YOLO 检测 格式数据集后修改 DATASET_DIR 指向解压目录。DATASET_DIR/content/dataset# 修改为数据集后台导出的数据集目录datasetSimpleNamespace(locationDATASET_DIR,version1,namecustom-dataset)️ 训练检测模型下面按 notebook 原流程继续执行。# train yolov5s on custom data for 25 epochs# time its performance%%time%cd/content/yolov5/!python train.py \--img416\--batch16\--epochs25\--data{dataset.location}/data.yaml \--weights yolov5s.pt \--name yolov5s_results \--cache 训练结果查看训练后查看曲线、验证 batch 和增强样本排查数据问题。fromutils.plotsimportplot_results# plot results.txt as results.pngImage(filename/content/yolov5/runs/train/yolov5s_results/results.png,width1000)Image(filename/content/yolov5/runs/train/yolov5s_results/val_batch0_labels.jpg,width900)# print out an augmented training exampleprint(GROUND TRUTH AUGMENTED TRAINING DATA:)Image(filename/content/yolov5/runs/train/yolov5s_results/train_batch0.jpg,width900) 推理与展示使用训练好的权重在测试集上做推理并展示结果。# trained weights are saved by default in our weights folder%ls runs/%ls runs/train/yolov5s_results/weights%cd/content/yolov5/!python detect.py--weights runs/train/yolov5s_results/weights/best.pt--img416--conf0.35--source{dataset.location}/test/images/importglobfromIPython.displayimportImage,displayforimageNameinglob.glob(/content/yolov5/runs/detect/exp/*.jpg)[:10]:#assuming JPGdisplay(Image(filenameimageName)) 部署说明Notebook 原流程包含在线部署。这里保留本地模型路径方便接入自己的部署流程。# 可选将训练得到的模型目录接入自己的部署流程。MODEL_DIR./runsMODEL_DIR# 可选部署完成后可在这里接入自己的在线推理服务进行测试。 小结这篇教程完整整理了YOLOv5 自定义目标检测训练的核心复现流程。实际操作时建议先确认 GPU、依赖版本、数据集路径和模型权重路径再逐段运行 notebook。后续我会继续按源项目顺序整理同系列中的目标检测、实例分割、OCR、多目标跟踪和视觉大模型教程。 同系列教程汇总Google Gemini 3.5 Flash 零样本目标检测教程从提示词到可视化结果GLM-OCR 文档识别实战教程从验证码、公式到车牌 OCRRF-DETR ByteTrack 多目标跟踪实战教程从命令行到 Python 视频轨迹可视化SAM 3 图像分割实战教程文本、框和点提示的多种分割方式SAM 3 视频分割实战教程用文本提示分割并跟踪视频中的目标YOLOv5 自定义目标检测训练实战训练曲线、验证样本与批量推理-本文