yolov6实战：记录yolov6训练自己的数据集

一、下载：

GitHub - meituan/YOLOv6: YOLOv6: a single-stage object detection framework dedicated to industrial applications.https://github.com/meituan/YOLOv6我下载的版本是 YOLOv6-0.4.0。

代码结构如下：

二、数据集结构

可以直接使用yolov5的数据集存放方式，下面是我自己的数据集结构：

---imgDir

        ---images

                   ---train

                   ---val

        ---labels

                    ---train

                    ---val

数据集的配置文件，在data文件里面新建一个mydata.yaml文件，然后仿照coco.yaml的内容，写自己数据集的路径配置文件，如下：

三、训练

可以使用终端，参考官网的用命令行训练：

也可以修改在tools文件夹下的train.py文件的相关参数，训练自己的数据集：

主要修改data-path和conf-file参数，data-path修改为自己数据集对应的yaml文件，conf-file修改为自己需要训练的模型类型（如yolov6n, yolov6s等）。然后找到yolov6n.py文件：

将pretrained参数修改为自己存放预训练参数的位置，还有一些其他的配置可以修改。

都修改完成之后就可以运行train.py开始训练。这里我只跑了10个epoch，测试一下：

四、验证和推理

同理，在tools文件夹下也有eval.py和infer.py，只需要修改部分参数即可。

eval.py：

将data参数修改为自己数据集的配置文件，将weights参数修改为刚训练出来的pt文件。

infer.py同样：

weights参数修改为自己训练出来的pt文件，source参数修改为存放要推理图像的文件夹，也可以具体的某一张图像。

如：

parser.add_argument('--source', type=str, default=r'D:\image\images\val\0_12164454943_9.bmp', help='the source path, e.g. image-file/dir.')

五、onnx模型导出

模型的到处代码在：

只需要对应的修改掉里面的参数即可。