在我們的自定義數(shù)據(jù)集上可視化tensorboard結(jié)果如果你因為一些原因不能把張量可視化，可以用utils．plot＿result來繪制并保存為result．png。

你需要在驗證評估分?jǐn)?shù)達到其最高點處獲取訓(xùn)練好的模型權(quán)重�？梢暬痀OLOv5訓(xùn)練數(shù)據(jù)在訓(xùn)練過程中，我們可以可視化真實訓(xùn)練數(shù)據(jù)和增強后的訓(xùn)練數(shù)據(jù)。

我們的真實訓(xùn)練數(shù)據(jù)

我們的訓(xùn)練數(shù)據(jù)采用自動YOLOv5增強對測試圖像運行YOLOv5推斷現(xiàn)在我們利用我們訓(xùn)練好的模型，對測試圖像進行推理。訓(xùn)練完成后，模型權(quán)重將保存到 weights／。推理過程，我們調(diào)用這些權(quán)重和一個指定模型置信度的conf（要求的置信度越高，預(yù)測越少）、以及一個推理源。源可以接受一個包含圖像、單個圖像、視頻文件以及設(shè)備的網(wǎng)絡(luò)攝像頭端口的目錄。對于源代碼，我將testjpg移到test－infer／。！python detect．py －－weights weights／last＿yolov5s＿custom．pt －－img 416 －－conf 0．4 －－source ．．／test＿infer推理時間非�？�，在我們的 Tesla P100 上，YOLOv5s 達到了每秒142幀�。�

以142 FPS（0．007s／圖像）的速度推斷YOLOv5s最后，我們在測試圖像上可視化我們的檢測器推斷結(jié)果。

測試圖像的YOLOv5推理導(dǎo)出并保存YOLOv5權(quán)重以供將來推斷既然我們定制的YOLOv5物體檢測器已經(jīng)通過驗證，我們需要從Colab中取出權(quán)重，用于實時計算機視覺任務(wù)，為此我們導(dǎo)入一個Google驅(qū)動器模塊并將其發(fā)送出去。from google．colab import drivedrive．mount（＇／content／gdrive＇）
％cp ／content／yolov5／weights／last＿yolov5s＿custom．pt ／content／gdrive／My Drive結(jié)論我們希望你可以訓(xùn)練屬于你自己的定制YOLOv5檢測器！使用 YOLOv5 非常方便，而且訓(xùn)練迅速，推理迅速，表現(xiàn)出色。讓我們把它弄出來！參考鏈接：https：／／blog．roboflow．a(chǎn)i／how－to－train－yolov5－on－a－custom－dataset／