YOLOv5为目标检测带来了极大的方便。通过简单地训练YOLOv5，即可以实现一个速度快、性能高的目标检测系统。
下面介绍如何从头开始构造一个简单的目标检测系统，用来识别图像内的苹果和香蕉，并标注他们所在的位置。
特别强调的是，YOLOv5给我们提供了全套解决方案，整个系统并不需要我们自己手写代码。
对于通用任务，我们要做的就是找到开源数据集，训练它，然后就得到了完整的可以实现目标检测的系统。
例如，我们找到花卉数据集，通过该数据集训练，就可以实现一个识别花卉的系统。我们找到一个火车轨道伤损数据集，通过使用该数据集训练YOLOv5，就可以得到一个火车轨道伤损识别系统。
如果我们要进行的是一个专用任务。我们要做的工作可能要多一些，此时需要我们对一些训练图像进行标注，对其中出现的特定目标进行标注。当然，我们可以使用labelImg非常方便地对图像内的特定对象进行标注。
例如，我们要识别非常罕见的某个物体A、物体B、物体C。我们只要找到一些包含这些物体的图像，并使用labelImg对他们进行标注。然后训练该数据集，就可以得到一个新的YOLO系统识别新的图像上出现的物体A、物体B、物体C。
为什么要提到罕见的物体A、B、C。因为常见的物体，我们都可以找到别人已经构造好的数据集，不需要我们额外做标注工作了。
1 概述
首先，我们看下具体的流程：
步骤1：训练适用于当前项目的权重文件。 步骤2：使用训练好的权重文件，完成识别。
下面使用图来说明一下：
步骤1：
训练适用于当前项目的权重文件。
步骤2：
使用训练好的权重文件，完成识别。
更具体来说，从头开始仅仅需要六个步骤即可。具体步骤如下：
2 实现
如果已经具备一定的深度学习基础，上述步骤在半个小时即可完成。
下面，简单对上述六个步骤做个介绍。
2.1 step 1 配置anaconda
为了方便，直接安装anaconda就好。这样比较方便，不需要我们额外进行配置了。
2.2 step 2 下载YOLOv5
主要包含如下几个工作：
要件1：下载YOLOv5工程文件 要件2：下载权重文件 要件3：按照requirements.txt文件，配置第三方库 要件4：查看测试文件
要件1：下载YOLOv5工程文件
通过搜索引擎，找到官网，下载即可。
要件2：下载权重文件
它有好多预训练好的权重文件，我们可以根据需要下载即可。
如果问题比较简单，我们直接下载“YOLOv5n”即可。
总体来说：
预训练文件较小时，它的精读低、但是速度较快。
预训练文件较大时，它的精读高、但是速度较慢。
各个文件的大小如下：
要件3：按照requirements.txt文件，配置第三方库
运行YOLOv5，需要很多第三方库，直接使用YOLOv5自带的requirements.txt一次搞定。
要件4：查看测试文件
YOLOv5给我提供了两张测试图像，路径如下。
2.3 step 3 测试YOLOv5
本步骤测试YOLOv5是否能够正常运行。如下图，使用YOLOv5自带的测试图像、权重文件，实现目标检测。
图中：
左侧：测试图像
中间：权重文件
右侧：左侧测试图像的检测结果。可以看到检测出了领带、人、车等等。
直接运行detect.py即可。
需要注意的是，要配置其参数：
source：测试文件位置
weight：权重文件位置
2.4 step 4 数据集处理
这里需要使用labelImg。labelImg用来对图像进行标注，它能够根据手工标注自动给出对象在图像内的位置、对象大小。
如下图所示，文件classes所示：共有两个分类苹果和香蕉。苹果对应着类别0，香蕉对应着类别1.
如下图所示，图像lilizong1.jpg在labelImg处理后，会得到lilizong1.txt文件。
lilizong1.txt中，共有四行，前三行对应着lilizong1.jpg中三个苹果，第四行对应着lilizong1.jpg中的一只香蕉。
标注文件lilizong1.txt中，数值包含四个部分：
【分类、对象位置（x,y）、对象尺寸（宽度、高度）】
（x,y）、（宽度、高度）都是归一化的值。
简单理解，原始图像的宽度、高度都是1。或者将未知、尺寸都理解为原图像的百分比。
例如，在lilizong1.txt中，第1行中：
[0,0.47,0.52,0.12,0.118]
其中数值0是分类，对应着apple，（0.47,0.52）是苹果在图像中的位置，（0.12,0.118）是苹果的宽度和高度。
0.47表示当前的apple距离左边界的距离占图像总宽度的47%
0.52表示当前的apple距离上边界的距离占图像总高度的52%
0.12表示当前的apple的宽度占图像总宽度的12%
0.118表示当前的apple的高度占图像总高度的11.8%
labelImg安装方式如下：
pip install labelImg
labelImg的运行方式如下：
labelImg
运行labelImg，如下图所示。
主要操作如下：
1、图像目录：设定要标注的图像在哪
2、标签目录：生成的标签文件存在哪
3、支持类型：选择【YOLO】（也支持其他类型）
4、create rectangle（生成标注框）
5、设置默认标签
导入图像后，框定图像内的对象、设定标签即可获取对应的包含类别、位置、宽高的标注文件。
这里主要分为四部分：
1、data.yaml：配置文件
2、train：训练文件
3、val：验证文件
4、test：测试文件
配置文件（data.yaml）的内容主要包含：
1、设定好目标检测的分类
2、nc：类的个数（nubmer of class）
3、train：训练文件的路径
4、val：验证文件的路径
需要注意，使用yolov5，既要包含训练文件、又要包含验证文件。无论训练文件，还是验证文件其中的图像都要包含对应对应的标签。
2.5 step 5 训练YOLOv5
训练过程，就是使用训练文件、验证文件，获取权重文件的过程。
运行train.py完成YOLOv5的训练。需要注意的是，要配置其对应的参数，主要包含：
–batch-size=”2″ ：批处理大小
–epochs=”200″ ：训练轮次
–data=”lilizong/data.yaml”：数据源位置
–weights=”.\weight\yolov5n.pt”：使用的权重
配置方式如下：
2.6 step 6 目标检测
使用训练好的权重，进行目标检测。
运行train.py，实现目标检测。需要配置参数如下：
–source=”.\lilizong\test” ：原文件路径
–weights=”.\runs\train\exp\weights\best.pt”：训练好的权重
配置方式如下：
识别香蕉和苹果（目标检测）的结果如下所示：
视频课程地址：
YOLOv5实战（检测苹果和香蕉）–计算机视觉视频教程-人工智能-CSDN程序员研修院