选择“YOLO v5 Pythorch”当出现提示时，一定要选择“Show Code Snippet”，这将输出一个下载curl脚本，这样你就可以轻松地将数据以正确的格式移植到Colab中。curl －L ＂https：／／public．roboflow．ai／ds／YOUR－LINK－HERE＂ ＞ roboflow．zip； unzip roboflow．zip； rm roboflow．zip正在Colab中下载…

下载YOLOv5格式的自定义对象数据集导出将会创建一个名为data．yaml的YOLOv5．yaml文件，指定YOLOv5 images文件夹、YOLOv5 labels文件夹的位置以及自定义类的信息。定义YOLOv5模型配置和架构接下来，我们为我们的定制对象检测器编写一个模型配置文件。在本教程中，我们选择了最小、最快的YOLOv5基本模型，你也可以从其他YOLOv5模型中选择，包括：YOLOv5sYOLOv5mYOLOv5lYOLOv5x你也可以在此步骤中编辑网络结构，但一般不需要这样做。以下是YOLOv5模型配置文件，我们将其命名为custom＿yolov5s．yaml：nc： 3depth＿multiple： 0．33width＿multiple： 0．50

anchors：  － ［10，13， 16，30， 33，23］   － ［30，61， 62，45， 59，119］  － ［116，90， 156，198， 373，326］ 

backbone：  ［［－1， 1， Focus， ［64， 3］］，   ［－1， 1， Conv， ［128， 3， 2］］，   ［－1， 3， Bottleneck， ［128］］，   ［－1， 1， Conv， ［256， 3， 2］］，   ［－1， 9， BottleneckCSP， ［256］］，   ［－1， 1， Conv， ［512， 3， 2］］，    ［－1， 9， BottleneckCSP， ［512］］，   ［－1， 1， Conv， ［1024， 3， 2］］，   ［－1， 1， SPP， ［1024， ［5， 9， 13］］］，   ［－1， 6， BottleneckCSP， ［1024］］，  ］

head：  ［［－1， 3， BottleneckCSP， ［1024， False］］，   ［－1， 1， nn．Conv2d， ［na ＊ （nc ＋ 5）， 1， 1， 0］］，   ［－2， 1， nn．Upsample， ［None， 2， ＂nearest＂］］，   ［［－1， 6］， 1， Concat， ［1］］，   ［－1， 1， Conv， ［512， 1， 1］］，   ［－1， 3， BottleneckCSP， ［512， False］］，   ［－1， 1， nn．Conv2d， ［na ＊ （nc ＋ 5）， 1， 1， 0］］，   ［－2， 1， nn．Upsample， ［None， 2， ＂nearest＂］］，   ［［－1， 4］， 1， Concat， ［1］］，   ［－1， 1， Conv， ［256， 1， 1］］，   ［－1， 3， BottleneckCSP， ［256， False］］，   ［－1， 1， nn．Conv2d， ［na ＊ （nc ＋ 5）， 1， 1， 0］］，

  ［［］， 1， Detect， ［nc， anchors］］，  ］训练定制YOLOv5探测器我们的data．yaml和custom＿yolov5s．yaml文件已经准备好了，我们库开始训练了！为了开始训练，我们使用以下选项运行训练命令：img：定义输入图像大小batch：确定batch大小epochs：定义epochs。（注：通常，3000＋很常见！）data：设置yaml文件的路径cfg：指定我们的模型配置weights：指定权重的自定义路径。（注意：你可以从Ultralytics Google Drive文件夹下载权重）name：结果名称nosave：只保存最后的检查点cache：缓存图像以加快训练速度运行训练命令：

训练定制的YOLOv5探测器。它训练得很快！在训练期间，你可以看 mAP＠0．5 来了解你的探测器是如何运行的，请参阅这篇文章。https：／／blog．roboflow．ai／what－is－mean－average－precision－object－detection／评估定制YOLOv5检测器的性能现在我们已经完成了训练，我们可以通过查看验证指标来评估训练过程的执行情况。训练脚本将删除tensorboard日志，我们将其可视化：