yolov5数据集训练

数据集标注：

1、新建一个存放标定结果txt的目标文件夹labels。

2、点击左侧栏的Change Save Dir，选择存放txt文件的目标文件夹。

3、点击Open Dir，打开图像数据目录。

4、点击Create RectBox，将光标置于目标左上角，按住左键向右下角拖动。方框绘制完成，双击选择弹窗中相应的类别名称。

5、标注完成后，点击左边栏的Save进行保存。

备注：

1、想要修改图2中的标签类别内容（如默认的dog、person、cat等）则在主目录下data文件夹中的predefined_classes.txt文件中修改，也可按个人需求增加类型。

2、输出格式部分，目前labelImg支持YOLO和PascalOVC2种格式，前者标签信息是存储在txt文件中，而后者是存储在xml中。

目录结构：

数据集训练：

创建data.yaml文件，且放在与images的同级目录下。

train: ../AGV/train/images
val: ../AGV/valid/images
# number of classes
nc: 2
# class names
names: ["AGV", "叉车"]

修改yolov5/models/yolov5s.yaml中的nc值。

执行训练命令：

python train.py --img 640 --batch 16 --epochs 300 --data ../AGV/data.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt

注：epochs： 轮数，默认300，需要指定；

batch-size：一次给的数据量；

cfg、data、weights：cfg是模型的参数，data是数据集路径，weights 是预训练模型；

img-size： 训练和测试数据集的图片尺寸(个人理解为分辨率)，默认640。

训练结束后，在runs-weights文件夹下生成了best.pt和last.pt。

测试命令：

python detect.py  --weights weights/best.pt --source ../AGV/test/images

查看训练过程命令：

cd yolov5
tensorboard --logdir=runs

快捷键

Ctrl + u 加载目录中的所有图像，鼠标点击Open dir同功能

Ctrl + r 更改默认注释目标目录(txt文件保存的地址)

Ctrl + s 保存

Ctrl + d 复制当前标签和矩形框

space 将当前图像标记为已验证

w 创建一个矩形框

d 下一张图片

a 上一张图片

del 删除选定的矩形框

Ctrl++ 放大

Ctrl-- 缩小