yolov5训练自己数据集过程记录

1.环境说明

​ 系统：windows10
​ CUDA: 10.2

2.环境创建

• 首先用conda创建测试的虚拟环境conda create -n yolov5 python=3.8 ，完成后输入conda activate yolov5即可激活环境

• 然后按照yolov5官方的requirment.txt配置依赖包，输入pip install -r requirment.txt即可自动安装

  ​ yolov5的链接如下：ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite (github.com)，权重文件需要单独下载，连接如下Releases · ultralytics/yolov5 (github.com)

3. 数据集准备

1)准备好代码，按照上面链接下载解压后得到yolov5文件夹

2)将自己的图像数据images和标注数据labels两个文件夹放到yolov5/data文件夹下面

3)利用脚本将数据集分为训练集、验证集、测试集，代码如下。运行后yolov5/data文件夹下面生成3个txt文件，train.txt，test.txt，val.txt

 ```
 import os
 import random
 
 #各数据集比例
 trainval_percent = 0.1
 train_percent = 0.8
 test_percent = 0.1
 
 xmlfilepath = '../labels'  #标注文件的路径，若数据是txt标注文件，则改成txt的路径
 total_xml = os.listdir(xmlfilepath)
 num = len(total_xml)
 listtotal = range(num)
 tv = int(num * trainval_percent) #验证集
 tr = int(num * train_percent)    #训练集
 tt = num - tv - tr               #测试集
 test = random.sample(listtotal,tv)
 train = random.sample(listtotal,tr)
 val = random.sample(train,tv)
 
 #生成的labels目录txt放在data文件夹下
 fimgval = open('../val.txt','w')
 fimgtest = open('../test.txt','w')
 fimgtrain = open('../train.txt','w')
 
 #将图片路径写入每个txt
 for i in listtotal:
     name = './data/images/'+ total_xml[i][:-4] +'.jpg\n'
     if i in test:
         ftest.write(name)
     elif i in val:
         fval.write(name)
     else:
         ftrain.write(name)
 fval.close()
 ftrain.close()
 ftest.close()
 ```

 文件格式如下图：

4)修改coco.yaml文件，我的图像中检测行人一个类别，将文件内容修改如下：

 ```
 # 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: ./data/  # dataset root dir
 train: train.txt  # train images (relative to 'path') 118287 images
 val: val.txt  # val images (relative to 'path') 5000 images
 test: test.txt  # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794
 
 # Classes
 nc: 1  # number of classes
 names: ['person']  # class names
 ```

4. 网络训练

   在yolov5虚拟环境中运行下面命令即可开始训练，我只用10个epochs测试

   python train.py --data ./data/coco.yaml --cfg ./models/yolov5s.yaml --weights ./models/yolov5s.pt --epochs 10 --batch-size 8
   

   完成后显示下图：
   

5. 问题总结

1）图片路径错误

该过程中最容易出现问题的就是图片路径不对，如下面的错误，找不到图像数据，或者找不到labels

  File "C:\Users\yolov5\utils\datasets.py", line 417, in __init__
    raise Exception(f'{prefix}Error loading data from {path}: {e}\nSee {HELP_URL}')

assert nf > 0 or not augment, f'{prefix}No labels in {cache_path}. Can not train without labels. See {HELP_URL}'
AssertionError: train: No labels in C:\Users\yolov5\data\train.cache. Can not train without labels. See https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data

这两种错误都需要检查一下生成的train.txt，test.txt，val.txt是否在data文件夹下面，因为代码中是直接在train.txt目录下找images文件夹，然后将images替换为labels即为labels的路径，所以这样配置最方便查找。

[Errno 2] No such file or directory: '..\\images\\1 (40).jpg'

这里写的相对路径，因此在yolov5根目录下运行train.py文件时候找不到文件，修改路径即可
2）AttributeError: ‘Upsample’ object has no attribute ‘recompute_scale_factor’

报错中会提示\envs\虚拟环境名称\lib\site-packages\torch\nn\modules\upsampling.py", line 154, in forward
recompute_scale_factor=self.recompute_scale_factor)
打开这个文件，定位到代码行，将

    def forward(self, input: Tensor) -> Tensor:
        return F.interpolate(input, self.size, self.scale_factor, self.mode, self.align_corners,
                              recompute_scale_factor=self.recompute_scale_factor)

修改为

    def forward(self, input: Tensor) -> Tensor:
        return F.interpolate(input, self.size, self.scale_factor, self.mode, self.align_corners,
                                   #recompute_scale_factor=self.recompute_scale_factor
                            )