yolov5 训练自定义数据集全过程

1、下载YOLOv5代码并安装环境

git clone https://gitee.com/monkeycc/yolov5.git
cd yolov5
pip install -r requirements.txt  # install

2、下载完yolov5之后在和yolov5同级的目录下创建一个叫datasets的目录 目录结构如下：

3、准备数据集：

3.1 数据集目录结构如下：

目录解读：

old_money是自己的数据集目录，这个目录要放在datasets目录下，

• old_money下的images目录用来存放图片
  • images下存放的train表示的是训练集，train下存放的就是一个一个的图片即xxx.jpg(没别的内容，只有图片),
  • val，test同理，其下都是存放的图片
• labels用来存放目标框的.txt文件。其下的train和val 名称要和images中的对应一样
  • label 下的train、val下存放的都是xxx.txt

这里边需要注意的是：

• 1、labels下的train下的xxx.txt名称要和images下的train下的xxx.jpg一一对应，名称要一样哦
• 2、labels 下的xxx.txt中的内容为：class box_x_center box_y_center box_width box_height中间用空格隔开 分别对其一一说明：
  • class 是类别，即你的目标框所属的类别，注意必须是数字而不是类别名，这个数字是在[0, 类别总数-1]之间
  • box_x_center：即目标框的中心点的x轴坐标 注意是归一化之后的值，也就是拿着这个中心点坐标除以图片的宽度
  • box_y_center ： 即目标框的中心点的y轴坐标 注意是归一化之后的值，也就是拿着这个中心点坐标除以图片的高度
  • box_width : 即目标框的宽 注意是归一化之后的值，也就是拿着这个框的宽度除以图片的宽度
  • box_height： 目标框的高 注意是归一化之后的值，也就是拿着这个框的高度除以图片的高度
    具体如下：
    
    

特别强调一下，image中的train 和val中的图片名要和labels中的train和val 图片名要意义对应切train 和val名称也要对应，test目录在label中不需要label所以只需要test目录下存放图片即可

4、在yolov5目录下的data下创建一个名为old_money.yaml其内容如下：

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# COCO128 dataset https://www.kaggle.com/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Example usage: python train.py --data coco128.yaml
# parent
# ├── yolov5
# └── datasets
#     └── coco128  ← downloads here (7 MB)


# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/old_money  # dataset root dir  就是你的数据集的最大层的那个目录
train: images/train  # train images (relative to 'path') 128 images 和上边的path拼接在一起组成训练目录
val: images/val  # val images (relative to 'path') 128 images  和上边的path拼接在一起组成验证目录
test: images/test # test images (optional)  和上边的path拼接在一起组成测试目录

# Classes
names:
  0: money  # 你项目的类别从零开始左边是数字，右边是名字，多个可以参考coco128.yaml

## Download script/URL (optional)  
#download: https://ultralytics.com/assets/coco128.zip

5、训练：在yolov5目录下打开一个中断，运行如下命令即可

 python train.py --data old_money.yaml

6、验证：在yolov5目录下打开一个中断，运行如下命令即可

python val.py --weights ./runs/train/exp/weights/best.pt --data old_money.yaml --img 640

7、测试：在yolov5目录下打开一个中断，运行如下命令即可

 python detect.py --weights './runs/train/exp/weights/best.pt' --source '../datasets/old_money/images/test/*.jpg'

8、运行结果会在yolov5目录下的runs目录下，自己看看吧

9、其他的运行参数需要参考各自的ArgumentParser