YoloV5 训练

1. 修改数据集配置文件.\data\data_test.yaml，注意反斜杠

# Custom data for safety helmet


# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: D:/GProject/myYolo/yoloV5SourceCode/data/images/images/train
val: D:/GProject/myYolo/yoloV5SourceCode/data/images/images/val

# number of classes
nc: 2

# class names
names: ['man', 'woman']

2. 修改模型的配置文件.\models\model_test.yaml中的分类数据

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license


# yolov5.yaml是配置文件，指导common.py去执行搭建模型
# yologv5s的结构
# 图片进来先到backbone层处理，再到head层处理


# Parameters
nc: 2  # number of classes，能够预测的目标的类别数

# 以下两个参数是用来控制模型大小的
depth_multiple: 0.33  # model depth multiple，模型深度倍数，会和第二个参数（模型层数）相乘
width_multiple: 0.50  # layer channel multiple，通道倍数，会和第四个参数的第一个参数(通道数)相乘

# 定义用来检测的矩形框矩形框
# anchor分为三组，每组3个，每个包含宽和高
anchors:
  - [10,13, 16,30, 33,23]  # P3/8, 低层，预测小目标，anchor比较小
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32 高层，预测大目标，anchor比较大

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  # from表示这一层的输入是从哪里过来的，-1表示从上一层过来
  # number，初步理解表示数量，就比如第0层1表示，有1个Conv，第2层3表示有3个C3，但跟其他参数也有关系，不一定一成不变，跟depth_multiple这个深度倍数的参数有关
  # module，这一层的层结构,比如conv,c3等等，这些层结构都定义宰了common.py文件中
  # args, [64, 6, 2, 2],传给参数3层定义需要的参数
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2，这里开始就是yolov5的层结构，这里是第0层，一共24层，每一层包含4个值，[from, number, module, args]
   [-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，这里的from是[-1,6]，表示是从上一层和第6层过来的
   [-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)  低层次用来检测小目标

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium) 中层次用来检测中目标

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large) 高层次用来检测大目标

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

3. 开始训练

"D:\GProject\myYolo\yoloV5SourceCode\env\Scripts\python.exe" .\train.py --data .\data\data_test.yaml --cfg .\models\model_test.yaml --weights .\pretrained\yolov5s.pt --epoch 10 --batch-size 2

4. 使用训练完的模型检测

"D:\GProject\myYolo\yoloV5SourceCode\env\Scripts\python.exe" .\detect.py --weights .\runs\train\exp9\weights\last.pt --source .\data\images\images\test\19.jpg