YOLO系列:小记YOLOv5训练个人数据集的过程

一、YOLOv5环境搭配

这个不过多赘述,下载Anaconda这些在csdn上一搜就有很多教程,大家自己去配一下。

二、YOLOv5源码下载

YOLOv5是开源的,所以可以从Github上clone一下或者download一下zip,用pycharm打开,下面是Github的链接,csdn带加速,可以直接下载,但是我推荐有翻墙能力的读者复制链接,翻墙去Github上下载。

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLiteYOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite. Contribute to ultralytics/yolov5 development by creating an account on GitHub.icon-default.png?t=N7T8https://github.com/ultralytics/yolov5下载完成之后用pycharm打开,找到pycharm最下面的终端(截图的时候正在训练,打个码保护隐私),输入如下代码,安装YOLOv5所需要的依赖,如果出现找不到版本的报错,那就打开requirements修改一下版本,实在不行去csdn找经验贴,这一块具体过程我也忘了。

 pip install -r requirements.txt

 依赖安装完之后可以运行一下detect.py,看看是否安装成功。

安装成功之后会在runs/detect/exp找到两张图片分别如下所示

如果你到这一步都成功了,那么恭喜你,YOLOv5已经配置成功了,接下来就是训练自己的数据集

三、整合自己的数据集

首先,在和项目同级的文件夹下建立新的文件夹datasets1(这个名字可以随意命名,但是不能有中文)

在datasets1文件夹下建立两个文件夹,分别为images和labels

之后在images文件夹下新建立两个文件夹分别问train和test(train文件夹里放你要训练的图片,test文件夹下放你要检测的图片,两个文件夹最好不要放一样的图片,虽然放一样的也没啥问题,这里我就偷懒了,因为我数据集比较小,就没建立train和test文件夹,都是用images)

接下来就是怎么搞到数据集的问题了,如果你想自己创建数据集,那么就扛起你的手机或者相机去外面随便拍吧,当然,你也可以选择已经整理好的数据集。下面是我常用的公开数据集网站

极市开发者平台-计算机视觉算法开发落地平台-极市科技

极市数据集可以满足日常训练需要,从人脸到日常物品再到CT影像都有

Machine Learning Datasets | Papers With Code

这个网站包含了众多经典数据集如COCO,CIFAR10等,而且还收录了很多提供源码的论文(竟然包含CVPR)

找到你感兴趣的数据集后下载到本地,准备进行“打标”操作,下面是我常用的在线打标网站,当然也有本地cmd命令的打标工具,看个人喜爱,打标过程我不赘述,有很多教程。

Make Senseicon-default.png?t=N7T8https://www.makesense.ai/在线打完表之后,点击export,导出为YOLO格式,完成下载之后解压缩,把里面的所有txt格式文件全部复制到刚刚建立的labels文件夹下面,一个都不能少!!!!也别修改txt的名字!!!!

 接下来回到pycharm,修改几个参数,首先找到data文件夹下面的coco128.yaml文件,右键复制粘贴,自己改一个名字,这里我改的名字叫trainno1.yaml

下面找到path,train,val这三个字段,按照我数据集的位置的话,改成如下

path:../datasets1

train:images(如果你建立了test和train文件夹,那就改成images/train)

val:images(如果你建立了test和train文件夹,那就改成images/test)

path代表你数据集的相对位置

train代表你训练集的位置

val代表你验证集的位置

往下翻找到names,这代表着你刚刚打标建立了几个分类,我打了三个分类,分别为plane,car和fire,你打几个就写几个

接下来找到models/yolov5s.yaml,按照同样的方法复制粘贴改名,我改成了5s_test01.yaml,打开之后把里面的nc改成3(nc代表你打标的个数,我就三个标,所以就是3)

最后找到train.py,找到如下位置进行修改

之后就可以右键运行train.py了,YOLOv5源码下载下来之后默认的训练次数为100次,你可以自行修改,但是不要太多,要不然训练时间超级长,修改位置如下

关于其他权重还有显示标签数量问题,可以参考一下其他博客

YOLOV5实战教程(超级详细图文教程)!!!_yolov5训练_高桥晋吾的博客-CSDN博客

新人第一次写博客,如果有什么不对的地方请大家及时指出,如果有什么以为大家可以在评论区留言,如果我能帮助到大家我肯定知无不言!

  • 3
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而性能高,更加灵活和易用,当前非常流行。 本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目:单目标检测(足球目标检测)和多目标检测(足球和梅西同时检测)。 本课程的YOLOv5使用ultralytics/yolov5,在Windows系统上做项目演示。包括:安装YOLOv5、标注自己的数据集、准备自己的数据集、修改配置文件、使用wandb训练可视化工具、训练自己的数据集、测试训练出的网络模型和性能统计。 希望学习Ubuntu上演示的同学,请前往 《YOLOv5(PyTorch)实战:训练自己的数据集(Ubuntu)》课程链接:https://edu.csdn.net/course/detail/30793  本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程,包括:《YOLOv5(PyTorch)目标检测实战:训练自己的数据集》Ubuntu系统 https://edu.csdn.net/course/detail/30793Windows系统 https://edu.csdn.net/course/detail/30923《YOLOv5(PyTorch)目标检测:原理与源码解析》课程链接:https://edu.csdn.net/course/detail/31428《YOLOv5目标检测实战:Flask Web部署》课程链接:https://edu.csdn.net/course/detail/31087《YOLOv5(PyTorch)目标检测实战:TensorRT加速部署》课程链接:https://edu.csdn.net/course/detail/32303《YOLOv5目标检测实战:Jetson Nano部署》课程链接:https://edu.csdn.net/course/detail/32451《YOLOv5+DeepSORT多目标跟踪与计数精讲》课程链接:https://edu.csdn.net/course/detail/32669《YOLOv5实战口罩佩戴检测》课程链接:https://edu.csdn.net/course/detail/32744《YOLOv5实战中国交通标志识别》课程链接:https://edu.csdn.net/course/detail/35209《YOLOv5实战垃圾分类目标检测》课程链接:https://edu.csdn.net/course/detail/35284       
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值