在训练自己的样本之前,先要调试好yolov5的训练环境,之前我们适用pycharm进行了调试,实际上所提供的yolov5完全可以在命令控制台完成各种功能。
第一步,清理所有文件夹,只留下…_env环境文件夹。也就是安安装了pytorch的环境。在环境平行目录解压yolov5-master压缩包,为什么平行目录解压呢,因为默认的dataset是在yolov5的平行目录下。
有以上两个文件夹就可以了
在命令控制台注意环境和当前目录。
python detect.py --source data/images/zidane.jpg --weights yolov5s.pt
执行以上命令 识别 齐达内图片。这时会自动下载 yolov5s.pt, 如果你想用5m 5l 只需更改相应命令,入宫通过摄像头,执行
python detect.py --source 0
但注意,现在这个摄像头无法关闭,需要在detect.py中添加指令,可参考进阶一。
下载完成后,识别的结果在ex?目录见下图
下面测试训练环境,如果按进阶之一安装的pytorch 版本为最新版本11,但是很遗憾这个版本和yolov5 6.0 并不是兼容性很好,建议降到低版本 pytorch
执行以下命令
pip install --upgrade --force-reinstall torch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0
降级完成后,执行
python train.py --img 640 --batch 16 --epochs 5 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights yolov5s.pt
会自动下载coco128,路径和yolomaster平行,这个过程仍然会用到yolov5s权重模型,训练后会生成新的 last 和best pt权重模型。
在训练过程中可以看到 gpu使用情况,现在我们还没有测试gpu版本,使用cpu时gpu_mem显示0
训练结束后,会在runs/目录下建立一个train的文件夹保存权重文件。可以使用新权重文件进行图片检测
python detect.py --weights runs/train/exp/weights/best.pt --source data/images/zidane.jpg```