1、克隆代码
2、配置环境
Python>=3.6.0
PyTorch>=1.7
- 新建虚拟环境
conda create -n yolov5 python=3.8
- 安装Pytorch,去 Pytorch 官网自己安装
- 然后进入代码文件夹
pip install -r requirements.txt
3、将数据集转换至可训练格式
按照这里的代码 数据集转换,就可以将 VOC
格式的数据集转换成 YOLOv5
可以训练的格式
将生成的可训练的数据集复制到和 YOLOv5
工程同一根目录下,即:
其中,YOLOv5
文件夹是工程代码,datasets
文件夹是数据集
数据集的文件目录是:
其中,images
文件夹中存储的图片,labels
文件夹中存储的标签
datasets
├─ images
│ ├─ test # 下面放测试集图片
│ ├─ train # 下面放训练集图片
│ └─ val # 下面放验证集图片
└─ labels
├─ test # 下面放测试集标签
├─ train # 下面放训练集标签
├─ val # 下面放验证集标签
4、修改配置文件
-
配置数据集文件
在YOLOv5/data
文件夹中添加一个new_data.yaml
,文件内容如下:train: D:/ZADD/code/object detection/datasets/images/train # train images (relative to 'path') 118287 images val: D:/ZADD/code/object detection/datasets/images/val # val images (relative to 'path') 5000 images test: D:/ZADD/code/object detection/datasets/images/test # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794 # Classes nc: 6 # number of classes # class names names: ["missing_hole", "mouse_bite", "open_circuit", "short", "spur", "spurious_copper"]
-
配置模型文件
在YOLOv5/models
文件夹中添加一个new_train.yaml
,文件内容如下:
其实就是复制已有的yaml
文件,修改目标类别 即可。# Parameters nc: 6 # number of classes # 这里和刚才保持一致 depth_multiple: 0.33 # model depth multiple width_multiple: 0.50 # layer channel multiple anchors: - [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 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) ]
5、开始训练
运行 train.py
文件,将刚才新建的 yaml
文件添加到文件中,开始训练即可。