本专栏将从安装到实例运用全方位系列讲解 GitHub YOLOv5 开源代码。专栏地址：​​GitHub YOLOv5 开源代码项目系列讲解​​

目录

​​1 总述​​

​​2 数据及标签制作​​

​​3 训练自己的数据集​​

在 GitHub 上，可点击此链接进行查看 Train Custom Data 细则：​https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data">​https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data​​ 

按照官网指示，我们可选用下面链接网站进行线上数据标注：​https://www.makesense.ai/">​https://www.makesense.ai/​​ 

值得注意的是，yolov5 要求图片与对应标签名称必须一致，且要求必须分别放置到 images 和labels 文件夹中。

而这部分要求，这个线上标注数据的网站就可以帮我们制作好。

点击红框所示部分导入图片数据集

导入成功之后点击 Object Detection，完成我们的目标检测任务 

因为我们要做的是口罩+鸭舌帽的目标检测，所以设置两个标签："mask" 和 "cap"（"mask" 标签为 “0”， "cap" 标签为 “1”，顺序很重要喔）。

按照顺序逐个进行标注

标注好之后，下载标注好的标签文件。

 这时我们就可以看到对应目标的标签 txt 文件啦。

 接下来我们将图片以及目标对应标签分别放置到此 pycharm tree 中

 然后在 data 目录下新建一个 mydata.yaml 文件，内容要写清楚 train、val path，标签类数及名称。值得注意的是，类别名按 “0”、“1” 默认排列，要与前几步提到的类别标签一一对应。

将自己的 mydata.yaml 路径写到对应参数位置。

在 train.py 中点击运行即可开始训练

按照指示找到自己训练好的模型位置

加下来看看我们在自己训练的模型的预测效果吧

以下展示的是 3 张测试数据集图片。

运行 detect.py 文件后发现目标检测结果与原图一致，说明没有检测出来。原因是训练数据集数据太少，接下来加大训练数据集的量再试试吧！

以上就是制作和训练自己的数据集的全部内容啦，感谢阅读。