（超详细）机器学习，利用yolov5从零开始训练自己的模型----------模型的训练及应用

亦携秋水揽星河

已于 2024-03-22 16:29:54 修改

阅读量4k

点赞数 38

文章标签：机器学习人工智能 python yolov5

于 2024-03-20 10:14:53 首次发布

本文链接：https://blog.csdn.net/hy2270139582/article/details/136829489

版权

本文详细介绍了如何准备yolov5源代码，从GitHub获取并测试，处理数据集包括爬取、清洗和标记，以及对voc.yaml和权重文件的修改，最后演示了模型的训练、使用和水果数据集的下载。

摘要由CSDN通过智能技术生成

1.从GitHub上下载别人处理好的数据集（不再演示）

2.利用爬虫爬一些自己需要的数据集再对其进行处理（清洗，标记）

一.引言

在上一个文章中搭建好了环境，可以开始下一步。

二.模型训练的进行

1.yolov5源文件的准备及测试

1.1源代码的获取（GitHub）

可以去GitHub下载源码，官网如下:GitHub

在查找界面输入yolov5，找到第一个内容，点进去

得到如下界面，点击master，有个Tags，就可以下载不同版本的yolov5了，这里下载了v5.0版本

下载完成后，解压，再使用pycharm打开解压后的文件

打开后，找到右下角，配置解释器，配置3.8的那一个。如不清楚此处，请查看上篇文章环境的配置

解释器配置完毕后，找到文件中的requirements.txt可以看到需要安装包（上边黄色的提示框）

找到下边第四个终端输入

 pip install -r requirements.txt

,就可以安装所需要的包

如下，安装完成，可以利用detect.py文件先来预测一下

可以看到两个图片运行模型预测完毕，同时提示Results saved to runs\detect\exp，即预测结果保存路径

找到该文件下，可以发现运行预测成功，检测出了人和公交车

1.2源代码的获取（百度网盘）

注:没办法去GitHub下载文件可以在这下载：https://pan.baidu.com/s/1cjV1cn1ceHzVMQcvpaYEVw
提取码：bua7

2.数据集的获取及处理

2.1数据集的获取的两种方式

1.从GitHub上下载别人处理好的数据集（不再演示）

2.利用爬虫爬一些自己需要的数据集再对其进行处理（清洗，标记）

代码如下

# -*- coding: utf-8 -*-
# @Time    : 2021/6/17 20:29
# @Author  : dejahu
# @Email   : 1148392984@qq.com
# @File    : get_data.py
# @Software: PyCharm
# @Brief   : 爬取百度图片

import requests
import re
import os

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.125 Safari/537.36'}
name = input('请输入要爬取的图片类别：')
num = 0
num_1 = 0
num_2 = 0
x = input('请输入要爬取的图片数量？（1等于60张图片，2等于120张图片）：')
list_1 = []
for i in range(int(x)):
    name_1 = os.getcwd()
    name_2 = os.path.join(name_1, 'data/' + name)
    url = 'https://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + name + '&pn=' + str(i * 30)
    res = requests.get(url, headers=headers)
    htlm_1 = res.content.decode()
    a = re.findall('"objURL":"(.*?)",', htlm_1)
    if not os.path.exists(name_2):
        os.makedirs(name_2)
    for b in a:
        try:
            b_1 = re.findall('https:(.*?)&', b)
            b_2 = ''.join(b_1)
            if b_2 not in list_1:
                num = num + 1
                img = requests.get(b)
                f = open(os.path.join(name_1, 'data/' + name, name + str(num) + '.jpg'), 'ab')
                print('---------正在下载第' + str(num) + '张图片----------')
                f.write(img.content)
                f.close()
                list_1.append(b_2)
            elif b_2 in list_1:
                num_1 = num_1 + 1
                continue
        except Exception as e:
            print('---------第' + str(num) + '张图片无法下载----------')
            num_2 = num_2 + 1
            continue
# 为了防止下载的数据有坏图，直接在下载过程中对数据进行清洗
print('下载完成,总共下载{}张,成功下载:{}张,重复下载:{}张,下载失败:{}张'.format(num + num_1 + num_2, num, num_1, num_2))

在刚才的文件中创建一个py文件，将代码复制上运行即可，输入要下载的图片名称及数量，自动开始下载到指定路径下

可以看到图片已下载完成 




因为下载的图片有好图有坏图（下载失败的图片），而且图片名字含有中文，这是不允许的，故需要对其进行清洗，利用如下代码清洗图片

import shutil
import cv2
import os
import os.path as osp
import numpy as np
from tqdm import tqdm


# 实际的图片保存和读取的过程中存在中文，所以这里通过这两种方式来应对中文读取的情况。
# handle chinese path
def cv_imread(file_path, type=-1):
    cv_img = cv2.imdecode(np.fromfile(file_path, dtype=np.uint8), -1)
    if type == 0:
        cv_img = cv2.cvtColor(cv_img, cv2.COLOR_BGR2GRAY)
    return cv_img


def cv_imwrite(file_path, cv_img, is_gray=True):
    if len(cv_img.shape) == 3 and is_gray:
        cv_img = cv_img[:, :, 0]
    cv2.imencode(file_path[-4:], cv_img)[1].tofile(file_path)


def data_clean(src_folder, english_name):
    clean_folder = src_folder + "_cleaned"
    if os.path.isdir(clean_folder):
        print("保存目录已存在")
        shutil.rmtree(clean_folder)
    os.mkdir(clean_folder)
    # 数据清晰的过程主要是通过oepncv来进行读取，读取之后没有问题就可以进行保存
    # 数据清晰的过程中，一是为了保证数据是可以读取的，二是需要将原先的中文修改为英文，方便后续的程序读取。
    image_names = os.listdir(src_folder)
    with tqdm(total=len(image_names)) as pabr:
        for i, image_name in enumerate(image_names):
            image_path = osp.join(src_folder, image_name)
            try:
                img = cv_imread(image_path)
                img_channel = img.shape[-1]
                if img_channel == 3:
                    save_image_name = english_name + "_" + str(i) + ".jpg"
                    save_path = osp.join(clean_folder, save_image_name)
                    cv_imwrite(file_path=save_path, cv_img=img, is_gray=False)
            except:
                print("{}是坏图".format(image_name))
            pabr.update(1)


if __name__ == '__main__':
    data_clean(src_folder="C:/Users/A/Desktop/yolov5-5.0（1）/data/橙子", english_name="orange")

如出现以下问题，将路径的斜杠改为反斜杠可以解决（后续需要复制路径时，都要更改，后续不再赘诉）

可以看到图片已清洗完毕

按照同样的方法可以得到猕猴桃的清洗后的数据

将清洗后的图片全部放在data文件下的images文件夹中，开始下载图片和清洗图片的文件夹在把图片移出后，删除即可，同时新建一个文件夹名称为labels，用于存储标记后的数据

接下来就是对下载好的图片进行标记

在pycharm终端中输入

pip install labelimg

如下图

再次在终端输入

labelimg

打开软件后，点击open dir 找到刚才放置的图片位置，如下图

change save dir 找到如下图位置即可，刚才创建的文件夹下我的是C:\Users\A\Desktop\yolov5-5.0（1）\data\labels

注:左边按键第8个，要改成yolo，点击几下就切换成yolo了，如下图

注意点击create rectbox圈出图片中猕猴桃的位置，输入标签，保存，如下图，图中的每个猕猴桃都必须完成上述操作，橙子同样操作，把所有图片全部标记完，可以得到如下文件

当所有数据标记好后，还要对其进行训练集测试集和验证集的划分，对images和labels里面的文件依次使用如下脚本，与上边爬虫下载图片和清洗图片文件相似，创建使用如下代码即可，注意修改文件路径。

#!/usr/bin/env python
# -*- coding: UTF-8 -*-

import os
import random
import shutil
from shutil import copy2
import os.path as osp

def data_set_split(src_data_folder, target_data_folder, train_scale=0.6, val_scale=0.2, test_scale=0.2):
    print("开始数据集划分")

    split_names = ['train', 'val', 'test']
    for split_name in split_names:
        split_path = os.path.join(target_data_folder, split_name)
        if not os.path.isdir(split_path):
            os.mkdir(split_path)

    current_all_data = os.listdir(src_data_folder)
    current_data_length = len(current_all_data)
    current_data_index_list = list(range(current_data_length))
    random.shuffle(current_data_index_list)

    train_folder = os.path.join(target_data_folder, 'train')
    val_folder = os.path.join(target_data_folder, 'val')
    test_folder = os.path.join(target_data_folder, 'test')
    train_stop_flag = int(current_data_length * train_scale)  # Use int to avoid float
    val_stop_flag = int(current_data_length * (train_scale + val_scale))  # Use int to avoid float
    current_idx = 0
    train_num = 0
    val_num = 0
    test_num = 0
    for i in current_data_index_list:
        src_img_path = os.path.join(src_data_folder, current_all_data[i])
        if current_idx < train_stop_flag:
            copy2(src_img_path, train_folder)
            train_num = train_num + 1
        elif current_idx < val_stop_flag:
            copy2(src_img_path, val_folder)
            val_num = val_num + 1
        else:
            copy2(src_img_path, test_folder)
            test_num = test_num + 1

        current_idx = current_idx + 1

    print("按照{}：{}：{}的比例划分完成，一共{}张图片".format(train_scale, val_scale, test_scale, current_data_length))
    print("训练集{}：{}张".format(train_folder, train_num))
    print("验证集{}：{}张".format(val_folder, val_num))
    print("测试集{}：{}张".format(test_folder, test_num))

if __name__ == '__main__':
    src_data_folder = "C:/Users/A/Desktop/yolov5-5.0（1）/data/images"  # todo 修改你的原始数据集路径
    target_data_folder = src_data_folder + "_" + "split"
    if osp.isdir(target_data_folder):
        print("target folder 已存在，正在删除...")
        shutil.rmtree(target_data_folder)
    os.mkdir(target_data_folder)
    print("Target folder 创建成功")

    data_set_split(src_data_folder, target_data_folder)
    print("*****************************************************************")
    print("数据集划分完成，请在{}目录下查看".format(target_data_folder))

分好类后得到如下测试集中的文件，一个是图片一个是标签文件