【yolov5目标检测demo】

1.找目标检测的项目代码

从github上面找个简单yolov5项目，或者从kaggle上面找一个相关代码。推荐使用kaggle它上面是用类似于jupyter页面的样式，可以看到一步一步具体的实现步骤。

1.1 下载yolov5代码

• 可以用如下代码下载yolov5的代码，并下载对应包的版本环境。

!git clone https://github.com/ultralytics/yolov5
%cd ./yolov5
!pip install -r requirements.txt

1.2 如果在服务器中下载报错。

（clone报错fatal: unable to access ‘https://github.com/…’: Failed to connect to github.com port 443 after 21096 ms: Couldn’t connect to server）

• 原因是本机代理端口和git端口不一致。
  解决方法：
  第一步、找到本机代理端口号（红框部分）
  

  第二步、修改git端口号
  在git-bash执行如下两条指令

git config --global http.proxy http://127.0.0.1:红框端口号
git config --global https.proxy http://127.0.0.1:红框端口号

解决问题！

• 服务器上代理端口和git端口不一致的话，暂未找到方法。
  可以通过clone在本地然后用传输命令传在服务器上。

#下载文件命令
scp -r username（服务器名字）@ip(服务器ip）:/home/DataManagement/Dataset/data.zip（文件的位置） ./（复制的位置）
#上传文件命令
scp -r ./要上传的文件 username（服务器名字）@ip(服务器ip）:/home/DataManagement/Dataset/(要传的位置）

1.1 查看GPU能否用

查看自己的GPU能不能用。

import torch
from IPython.display import Image
print('torch %s %s' % (torch.__version__, torch.cuda.get_device_properties(0) if torch.cuda.is_available() else 'CPU'))

2.yolov5数据集处理划分

整理好需要的数据集。我的数据集是一个1600张图像的一个目标的检测。

• 我的数据集结构：

train: ./datasets//images
train: ./datasets//labels

• yolov5需要的数据结构。

train: ./datasets/train/images
val: ./datasets/valid/images
test:./datasets/test/images

方法一：直接导入用sklearn的train_test_split库进行数据集划分。

# 数据集根目录
dataset_root =r'E:\demo\yolov5_demo\datasets'
# 获取所有图像文件的路径
image_files = [os.path.join(dataset_root, 'images', filename) for filename in os.listdir(os.path.join(dataset_root, 'images'))]
# 获取所有标签文件的路径
label_files = [os.path.join(dataset_root, 'labels', filename) for filename in os.listdir(os.path.join(dataset_root, 'labels'))]
# 划分数据集
image_train, image_temp, label_train, label_temp = train_test_split(image_files, label_files, test_size=0.4, random_state=42)
image_val, image_test, label_val, label_test = train_test_split(image_temp, label_temp, test_size=0.5, random_state=42)
# 打印划分后的数据集大小
print(f"Training set size: {len(image_train)}")
print(f"Validation set size: {len(image_val)}")
print(f"Testing set size: {len(image_test)}")

方法二：split.py完整代码

import os
import shutil
import random

random.seed(0)  # 确保随机操作的可复现性

def split_data(file_path, xml_path, new_file_path, train_rate, val_rate, test_rate):
    # 存储图片和标注文件的列表
    each_class_image = []
    each_class_label = []
    
    # 将图片文件名添加到列表
    for image in os.listdir(file_path):
        each_class_image.append(image)
    
    # 将标注文件名添加到列表
    for label in os.listdir(xml_path):
        each_class_label.append(label)
    
    # 将图片和标注文件打包成元组列表并随机打乱
    data = list(zip(each_class_image, each_class_label))
    total = len(each_class_image)
    random.shuffle(data)
    
    # 解压元组列表，回到图片和标注文件列表
    each_class_image, each_class_label = zip(*data)
    
    # 按照指定的比例分配数据到训练集、验证集和测试集
    train_images = each_class_image[0:int(train_rate * total)]
    val_images = each_class_image[int(train_rate * total):int((train_rate + val_rate) * total)]
    test_images = each_class_image[int((train_rate + val_rate) * total):]
    
    train_labels = each_class_label[0:int(train_rate * total)]
    val_labels = each_class_label[int(train_rate * total):int((train_rate + val_rate) * total)]
    test_labels = each_class_label[int((train_rate + val_rate) * total):]

# 定义复制文件到新路径的操作
    def copy_files(files, old_path, new_path1):
        # 遍历列表中的每一个文件名
        for file in files:
            # 打印当前处理的文件名，这只是为了在处理过程中输出信息，便于跟踪进度
            print(file)
            # 使用os.path.join连接旧路径和新文件名，形成完整的旧文件路径
            old_file_path = os.path.join(old_path, file)
            # 检查新的路径是否存在，如果不存在则创建新的路径，这可以确保复制操作不会因为路径不存在而出错
            if not os.path.exists(new_path1):
                os.makedirs(new_path1)
            # 使用os.path.join连接新路径和新文件名，形成完整的新文件路径
            new_file_path = os.path.join(new_path1, file)
            # 使用shutil模块的copy函数复制旧文件到新路径，生成与旧文件相同的新的文件
            shutil.copy(old_file_path, new_file_path)

    # 复制训练、验证和测试的图片和标注文件到指定目录
    copy_files(train_images, file_path, os.path.join(new_file_path, 'train', 'images'))
    copy_files(train_labels, xml_path, os.path.join(new_file_path, 'train', 'labels'))
    copy_files(val_images, file_path, os.path.join(new_file_path, 'val', 'images'))
    copy_files(val_labels, xml_path, os.path.join(new_file_path, 'val', 'labels'))
    copy_files(test_images, file_path, os.path.join(new_file_path, 'test', 'images'))
    copy_files(test_labels, xml_path, os.path.join(new_file_path, 'test', 'labels'))

# 判断当前脚本是否为主程序入口，即直接运行该脚本
if __name__ == '__main__':
    # 定义文件路径变量，指向数据集的图像文件所在路径
    file_path = "D:\yolov5demo\datasets\image"
    # 定义xml路径变量，指向数据集的标注文件所在路径
    xml_path = "D:\yolov5demo\datasets\labels"
    # 定义新文件路径变量，指向输出结果文件的新路径
    new_file_path = "D:\yolov5demo\datasets\ImageSets"
    # 调用split_data函数，分割数据集，并将结果分别存储到指定的路径中
    split_data(file_path, xml_path, new_file_path, train_rate=0.7, val_rate=0.1, test_rate=0.2)

3 在服务器中训练模型

3.1登录服务器

1. 确认服务器地址

在登录服务器之前，需要确认服务器的地址或IP地址。通常，服务器管理员会提供给用户一个服务器地址，用户需要将该地址输入到登录界面的相应位置。

2. 打开终端或命令提示符

在电脑上登录服务器，通常需要打开终端（Mac或Linux系统）或命令提示符（Windows系统）。这些工具提供了用户与服务器进行交互的界面。

3. 输入登录命令

一旦打开了终端或命令提示符，用户需要输入登录命令来连接到服务器。根据不同的操作系统，登录命令可能会有所不同。p

例如，对于基于UNIX或类UNIX系统的服务器（如Linux、Mac），常用的登录命令为：

ssh username@server_addressp

其中，username是用户在服务器上的用户名，server_address是服务器的地址。

对于Windows系统，可以使用SSH客户端软件（如PuTTY）来实现登录。用户需要输入服务器地址和端口号，并使用用户名和密码进行身份验证。一旦输入了登录命令并按下回车键，系统就会开始尝试连接到服务器。

4. 输入密码

如果连接成功，系统将提示用户输入密码。用户需要输入正确的密码来完成身份验证。在输入密码时，密码不会显示在屏幕上，这是为了确保安全。有些服务器可能还要求用户使用其他身份验证方法，如密钥对。用户需要提供有效的密钥来完成身份验证。

5. 连接服务器

一旦成功输入了正确的密码或密钥，系统将连接到服务器。此时，用户就可以开始操作服务器上的资源了。通过服务器登录，用户可以执行各种操作，如上传和下载文件、运行应用程序、查看和修改配置文件等。在完成操作后，用户可以通过退出命令来断开与服务器的连接。参考

3.2使用jupyter notebook

这张图是copy的原地址
用下面这行命令启动jupyter。当然也可以直接在服务器里面运行代码。

jupyter-notebook --ip 0.0.0.0 --port 9630 --allow-root --no-browser

3.3 训练模型

python train.py --img 640 --batch 16 --epochs 5 --data data.yaml --weights yolov5s.pt --workers 0

这里注意data.yaml文件里的路径最好写绝对路径，不然容易报错。

训练五轮的结果。



总是报错“段错误（核心已转储）”—因为显存不够。

训练100轮。

使用 --device 0,1,2,3可以确定使用那个GPU来训练。

python train.py --img 640 --batch 16 --epochs 5 --data ../data.yaml --weights yolov5s.pt --workers 0 --device 0,1,2,3

自测：