求YOLOv5针对SKU-110K数据集的预训练权重文件

核心结论 #

• 目前官方或主流公开渠道没有提供现成的、基于SKU-110K训练完成的YOLOv5预训练权重文件。
• 最可靠的方式是自行基于SKU-110K数据集训练YOLOv5模型，操作流程成熟且可控。

自行训练的具体步骤 #

1. 转换数据集标注格式
   SKU-110K采用COCO格式标注，而YOLOv5需要每个图像对应一个.txt标注文件（每行格式为类别ID x_center y_center width height，坐标需做归一化处理）。你可以写个简单的Python脚本批量处理：遍历COCO标注的JSON文件，提取每个图像的bounding box信息，转换为YOLO格式并保存到对应目录。

2. 配置YOLOv5训练参数

   • 在YOLOv5项目的data文件夹下新建sku110k.yaml配置文件，内容示例：

     train: ./path/to/sku110k/train/images
     val: ./path/to/sku110k/val/images
     nc: 1  # SKU-110K仅检测商品实例，无细分类别
     names: ['product']
     

   • 根据你的GPU显存调整batch size、epochs等参数，比如显存8G可以设batch-size=16，epochs建议设100以上保证收敛。

3. 启动训练
   运行YOLOv5的训练命令，用基础预训练权重做迁移学习，能大幅提升训练效率：

   python train.py --img 640 --batch 16 --epochs 120 --data sku110k.yaml --weights yolov5s.pt
   

   训练完成后，最优权重会保存在runs/train/exp*/weights/best.pt路径下。

4. 视频标注使用
   用训练好的权重运行YOLOv5的检测命令处理视频：

   python detect.py --source your_shelf_video.mp4 --weights runs/train/exp/weights/best.pt --save-txt --save-conf
   

   生成的标注结果会保存在runs/detect/exp*目录下。

替代方案 #

如果不想自行训练，可以去GitHub的YOLOv5相关仓库的Issues、Discussions板块，或者一些AI社区论坛搜索，偶尔会有用户分享自己训练的SKU-110K YOLOv5权重。但这类权重没有官方验证，使用前需要自行测试效果和兼容性。

内容的提问来源于stack exchange，提问作者MRHaghighat