下载源码包，解压
wget https://github.com/ultralytics/yolov5/archive/refs/tags/v6.1.tar.gz
tar -zxvf yolov5-6.1.tar.gz
进入解压目录，安装依赖
cd yolov5-6.1
pip install -r requirements.txt
下载预训练模型 yolov5s6.pt，在项目根目录新建 weights 文件夹，将下载的预训练模型放入。
使用 labelImg 标注自己的数据集，在项目根目录新建 datasets 文件夹，然后将数据集放入，datasets 文件夹的结构如下，每一个数据集都包含三个文件夹 train, test, valid，其中 test 文件夹不是必须的，每个文件夹都包含两个文件夹 images 和 labels，分别放置图片和标签。
datasets
├── multi-class-denoise
│ ├── test
│ │ ├── images
│ │ └── labels
│ ├── train
│ │ ├── images
│ │ └── labels
│ └── valid
│ ├── images
│ └── labels
├── one-class-denoise
│ ├── test
│ │ ├── images
│ │ └── labels
│ ├── train
│ │ ├── images
│ │ └── labels
│ └── valid
│ ├── images
│ └── labels
└── one-class-noise
├── test
│ ├── images
│ └── labels
├── train
│ ├── images
│ └── labels
└── valid
├── images
└── labels
在根目录下的 data 文件夹下新建 xxx.yaml 训练配置文件，用以指定数据集的位置以及要识别的类别数目，一个参考如下 data/one-class-denoise.yaml：
path: ../datasets/one-class-denoise # dataset root dir
train: train/images # train images (relative to 'path')
val: valid/images # val images (relative to 'path')
test: test/images # test images (optional)
# Classes
nc: 1 # number of classes
names: ['obj'] # class names
然后就可以愉快的训练了
python3 train.py --img 640 --batch 16 --epochs 200 --data ./data/one-class-denoise.yaml --cfg ./models/yolov5s.yaml --weights ./weights/yolov5s6.pt
--img：指定图片大小--batch：指定批量大小--epochs：指定训练轮次--data：指定训练配置文件地址--cfg：指定使用的模型--weights：指定使用的预训练权重
训练的结果放在 runs/train/ 下面，可以通过 results.csv 观察到训练结果，或者通过 tensorboard 观察结果
tensorboard --logdir runs/train --port 6009
然后在浏览器通过 localhost:6009 即可实时查看到训练结果。
在 runs/train/exp/weights 下保存着训练好的模型，有两个模型 best.pt 以及 last.pt，分别表示训练过程中最好的模型以及最后一个模型。我们随后便可使用训练好的模型进行推理
python3 detect.py --source datasets/one-class-denoise/test/images/ --weights ./runs/train/exp/weights/best.pt
--source：指定要推理的图像来源，可以是具体的图片，也可以是视频，也可以存放图像的文件夹地址--weights：指定要使用的模型参数，使用指定训练好的best.pt或者last.pt