yolov5训练学习笔记1

系列文章1、详细讲述Yolov5从下载、配置及如何使用GPU运行2、Labelimg标注自己的数据集，及如何划分训练集和验证集，应用于Yolov5上一篇文章中，已经介绍了该如何标注自己的数据集，以及该如何给他们分类，接下来的话，就是根据我们已经标注好的数据集来进行训练啦。将我们之前划分好的数据集放入项目中补充：通过文件夹将数据集复制放进去的，pycharm可以索引的更快，不然会卡很久。这个系列主要是想给自己一个记录，写在文档里也是写，发布博客也是写，前面几篇比较容易，后面会慢慢加深的。慢慢来吧。

目录 前言 问题1-YOLOv5运行环境——pycocotools ＞= 2.0 安装失败 问题2-自制数据集训练精度非常低 问题3-AttributeError: Cant get attribute SPPF on module models.common 问题4-[WinError 1455] 页面文件太小，无法完成操作 问题5-AssertionError: Image Not Found D:\PycharmProjects\yolov5-hat\VOCdevkit\images\tr

YAML 是专门用来写配置文件的语言，非常简洁和强大，远比 JSON 格式方便。YAML语言（发音 /ˈjæməl/）的设计目标，就是方便人类读写。它实质上是一种通用的数据串行化格式。 它的基本语法规则如下： 大小写敏感 使用缩进表示层级关系 缩进时不允许使用Tab键，只允许使用空格 缩进的空格数目不重要，只要相同层级的元素左侧对齐即可 # 表示注释，从这个字符一直到行尾，都会被解析器忽略 原来在pycharm中可以直接复制某个文件的路径，你右键那个文件有一个copy path/reference

在每个epoch加载数据时，dataloader一次性创建workers数量个工作进程，并且每个进行负责调度一个batch的数据，worker负责将batch加载到内存中，dataloader从RAM中找到这个epoch所需要的batch，如果找到就使用，如果没有就要继续加载batch到RAM。所以worker的设定需要根据自己的服务器设备情况和数据情况设定，如果CPU和RAM很强，就可以设置大一些，否则就需要设置小一些，如果单张图像很大，也需要设置小一些。

本教程系列将从模型训练开始，从0开始带领你部署Yolov5模型到jetson nano上 这是本系列的第一部分内容 1.Yolov5介绍

训练完原有epoch后，但还继续训练，比如设置epoch为200，已经训练完了，但是没有收敛等原因想使用训练了200epoch的权重继续训练100个epoch，总共就是300个epoch。断电、或者什么原因中断了，比如设定epoch为200，但是在90这里中断了，想从断点这里。这两处修改是为了断点训练，如果不需要断点训练，请将这两处修改都还原。不再需要断点训练后，就一定要记得把以下修改全部都恢复成原状！（在trainds.py代码的513行附近）设为想要继续训练到的epochs，即。............

YOLOv5的详细使用教程，以及使用yolov5训练自己的数据集 文章目录： 1 安装环境依赖 1.1 克隆项目 1.2 安装必要的环境依赖 2 下载预训练模型和标注的数据集 2.1 下载预训练模型 2.1.1 执行脚本下载预训练模型 2.1.2 直接下载预训练模型，然后保存到`/yolov5/weights`目录下即可，我已经把预训练模型的`url`提取出来 2.2 下载标注的数据集 2.2.1 执行脚本下载 2.2.2 如果下载比较慢，也

yolov5ds

Yolov5训练自己的数据集

解决yolov5模型训练时的报错：OSerror:[winerror 1455]

针对yolov5的 [WinError 1455] 页面文件太小,无法完成操作。 Error loading "D:\Anaco 1.这是内存不足的原因，首先选择最简单的办法，重启Pycharm（少数人好用） 2.搜索num_workers,找到dataloader.py文件，设置num_works参数为0或调小batch_size的值为原来的一半（少部分人好用） 3.如果你的Anaconda环境不是安装在C盘，其他盘是不默认安装虚拟环境的，需要自己设置。 第一步：右击电脑属性，按照我的步骤 第二步：这里

yolov5成功训练真的是一波三折 1 coco数据的下载 （两种128，用于小批量测试，可以用来测试程序是否正常，真正训练的时候还是需要coco数据集，自己自定义的数据可以根据coco128.yaml文件夹的形式来定义,coco.yaml是txt的方式） 2 运行程序 1）window成功，虚拟机失败，服务器失败 表象：如下图所示卡在那里不对 排查原因： 1：发现dataloader数据不对，循环打印，打印不出来，终于找到原因 2：对比为什么windows可以，服务器不可以，发现windows安装的是t

enumerate(data_loader)处报错 问题关键词： UnicodeDecodeError: ‘utf-8’ codec can’t decode bytes in position 1022-1023: unexpected end of data enumerate(data_loader)报错 num_workers设置为大于1报错 在训练Swin-Transformer的时候突然出现这问题，让人很是烦，因为之前运行的时候还是好好地，突然就报错了，报错的位置就是enumerate(da

在本地环境利用YOLOv5训练自己的数据集（已完成）

很多新手在使用yolov5训练模型的时候会出现爆内存和爆显存问题，一般就是由于worker和batch_size参数设置过大有关，下面是解决的方法。

搜索yolov8项目中build.py文件，在windows上运行yolov8时报错。找到num_workers=0 设置为0.linux 可以使用多个子进程加载数据。Windows只能是单进程。

Yolov5训练制定数据集1 创建数据集1.1 创建如下文件夹1.2 标注数据1.3 创建custom_data.yaml文件1.4 训练 1 创建数据集 1.1 创建如下文件夹 1.2 标注数据 标注数据集传送门 将结果按照images和Labels放到1.1中对应的文件中 1.3 创建custom_data.yaml文件 找到1 ，2 ，3步骤，找到data文件夹下的coco128.yaml，复制一份，改名为custom_data.yaml，将custom_data.yaml中添加3步骤的内容。 1

Python、PyTorch、workers、页面文件太小、解决报错

1、先将num_workers=0，会出现新的报错2、解决新的报错。