模型会把所有没有标注的目标，识别成背景。因此，所有图像中所有类的所有需要识别的实例都必须标记。部分标签将导致副作用，比如“图片中的dog”，部分标注，而部分不标注，将导致负面效果，训练时，模型就容易混淆，相同的“狗的属性”，有时候要识别成“狗”，有时候又不需要识别成“狗”，这就比较麻烦。

任何需要是不的对象，在训练数据集中都不应缺少标签，确保目标对象标签的一致性。

（5）标签准确性

标签必须紧密地包围每个对象。

对象与其边界框之间不应存在空间。因为机器很傻，它会把边界框内的所有像素点都作为“目标”特征的一部分，对象与其边界框也会被认为是目标对象的一部分。如果这部分在预测的图片中，不存在，这就容易容模型降低在实际预测目标时的相似度。

（6）背景图片的添加

背景图像是指没有对象的图像，把这些图像添加到数据集中，能够降低非目标对象错误的识别成目标对象的概率。也就说，这些图片，能够帮助模型识别，哪些目标是不需要识别的，他们仅仅作为背景图片的一部分。

背景图片的数量，建议占总体图片数量的0-10%之间，COCO 数据集就有 1000 张背景图片可供参考，占总数的 1%，如下图所示：

第2步：模型的选择

不同的模型，有不用的应用场景和目标。小的模型，追求的是速度，大的模型，追求的是准确率。

YOLOv5x 和YOLOv5x6等较大的模型几乎在所有情况下都会产生更好的结果，但参数更多，需要更多的 CUDA 内存来训练，并且运行速度较慢。

对于移动部署，我们推荐 YOLOv5s/m。

对于云部署，我们推荐 YOLOv5l/x。

不同模型的选择，可以参见：

[YOLO专题-12]：V5 - ultralytics支持的5种不同规模的模型类型比较_文火冰糖（王文兵）的博客-CSDN博客作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客本文网址：目录1、概述2、不同模型性能比较3、典型规模的模型：4、模型规模的配置1、概述为了适应不同的应用场景，YOLO V5并不是采用单一规模的模型，而是采用多种规模的模型。不同的规模的模型，其速度、所需要的内存空间，mAP不尽相同。GitHub - ultralytics/yolov5: YOLOv5 ???? in PyTorch > ONNX > CoreML &https://blog.csdn.net/HiWangWenBing/article/details/122294915

第3步：模型训练过程的优化

3.1 情形1：从预训练模型（权重文件）开始

如果用户的数据集是小型数据集，没有充足的数据量，要基于这样的数据集训练模型，建议从官网提供的预训练模型开始，以官网的预训练模型为基准。除了节省训练时间，还能够提升模型的准确性。因为预训练模型是在复杂、大型数据集上获的的，它具备最大的泛化能力，具备广泛的特征提取的能力。

小型的用户数据集，不适合训练特征提取网络，只适合训练分类与目标检查的输出网络。

因此，基于预训练的权重的模型，再进一步对用户的数据集进行训练，既能够节省时间，也能够提升用户数据集上训练结果的准确性。

对于小型的数据集，如果完全从头开始训练，容易导致网络过拟合，泛化能力差等不好的效果。

训练命令如下：

python train.py --data custom.yaml --weights yolov5s.pt
                                             yolov5m.pt
                                             yolov5l.pt
                                             yolov5x.pt
                                             custom_pretrained.pt

通过--weights 参数，（1）指定模型；（2）指定对应的权重文件。

如果在yolov5工程的根目录中，找不到相应的预训练权重文件，如yolov5s.pt，则YOLO V5的工程代码会自动从官网上下载相应的权重文件。

这种方式，模型训练的参数，使用默认的模型参数，模型的参数被定义在预定义的模型配置文件中：

如下图所示：

3.2 情形2：从头开始训练

如果用户的数据集是大型数据集，有足够多的样本来训练模型，则可以不用基于官网提供的预训练模型开始，而是从头开始训练自己的模型权重参数。

这种方式需要注意如下几点：

（1）训练的时间较长，正常情况下，需要1个星期以上。

（2）模型的权重设定为“空”： --weights '' "

（3）由于权重文件，YOLO V5不知道用户需要使用什么的模型（YOLO V5多种规模的模型），因此需要通过--cfg 参数，指定模型本身的参数或配置。命令如下图所示：

python train.py --data custom.yaml --weights '' --cfg yolov5s.yaml
                                                      yolov5m.yaml
                                                      yolov5l.yaml
                                                      yolov5x.yaml

yolov5s.yaml是模型的配置文件，其位于models目录中：

模型配置文件的内容如下图所示：

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 80  # number of classes                     # 分类数目
depth_multiple: 0.33  # model depth multiple    # 模型的深度倍数，值越小，模型的规模越小
width_multiple: 0.50  # layer channel multiple  # 模型通道的倍数，值越小，模型的规模越小
anchors:                                        # 先验框： 3 * 3 = 9个
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone                          # 特征提取网络
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]