YOLOv5训练自己的数据集及用训练模型进行测试

1.训练自己的数据：

使用labelimg标注软件对数据集进行标注，标注完成后，每张图像会生成对应的xml标注文件。 我们将图像和数据统一放置到源码目录的VOCData文件夹下。其中，jpg文件放置在VOCData/images下，xml放置在VOCData/Annotations下：

 

2.运行 split.py 文件，运行结束后，可以看到VOCData/labels下生成了几个txt文件

 

3.然后运行 txt2yolo_label.py 文件用于将数据集转换到yolo数据集格式，转换后可以看到VOCData/labels下生成了每个图的txt文件 

4. 在data文件夹下创建myvoc.yaml文件：

内容如下：

train: VOCData/train.txt

val: VOCData/val.txt

# number of classes

nc: 10

# class names

names: ["Redlighton", "Redlightoff", "Yellowlighton", "Yellowlightoff", "Greenlighton", "Greenlightoff","Switch", "Whitelighton", "Whitelightoff","meter"]

5.下载预训练模型，我下载的是yolov5m.pt模型，

6.开始训练，修改models/yolov5m.yaml下的类别数：

然后在cmd中输入：

python train.py --img 640 --batch 4 --epoch 100 --data ./data/myvoc.yaml --cfg ./models/yolov5m.yaml --weights weights/yolov5m.pt --workers 0

其中img为图片最大大小，epoch为训练轮数，建议100次，此依赖机器的配置高低，workers0为CPU0，建议打开任务管理器性能中进行查看自己的GPU为CPU几，本机为CPU1，因此改为：

python train.py --img 640 --batch 4 --epoch 100 --data ./data/myvoc.yaml --cfg ./models/yolov5m.yaml --weights weights/yolov5m.pt --workers 1

7.利用训练好的模型进行测试图片，用detect.py文件，更改以下地方：

 

 

将权重设为你的最好权重。

8.运行完的图片保存在 

 9.成果展示：