这是目录
1 环境部署
1.1 安装pytorch
链接: https://blog.csdn.net/m0_46154334/article/details/124099406.
1.2 克隆yolov5
链接: https://github.com/ultralytics/yolov5.
Linux系统可以运行命令行
git clone https://github.com/ultralytics/yolov5.git
Windows10系统可以选择下载ZIP文件再解压
下载完成,如下图
1.3 安装所需库
进入yolov5的路径下,运行命令行
pip install -r requirements.txt
pytorch最好在前面装好,不然这里可能会报错
1.4 检验
运行命令行,输入
python detect.py --source ./data/images/ --weights yolov5s.pt --conf 0.4
参数 | 含义 |
---|---|
source | 被检测图片路径 |
weights | 权重文件 |
conf | 置信度 |
第一次运行时,会下载yolov5s.pt,可能会比较慢,后面就快了
结果如图
2 数据集制作
2.1 OID数据集
获取链接: https://github.com/EscVM/OIDv4_ToolKit.
git clone https://github.com/EscVM/OIDv4_ToolKit.git
pip3 install -r requirements.txt
对应路径,数据集下载命令(苹果与橘子)
python main.py downloader --classes Apple Orange --type_csv train
python main.py downloader --classes Apple Orange --type_csv validation
下载会显示很多文件缺失,跟着下就行,下的很慢
下载完成后,部分效果图
2.2 OID到YOLO数据集格式转换
本质是标签重写
F:\yolo_project\YOLO-OpenVINO\voctoyolo_dataset_uil.py
修改参数data_dype、clazz_type、root_dir、valid_label_dir多次运行
3 模型配置与训练
3.1 数据集结构
yolov5数据集文件结构
将第二步的图片和标签复制到以上文件中(VOC可自定义)
3.2 修改配置文件
(1)yolov5/data/VOC.yaml
参数名 | 值 |
---|---|
tarin | 训练集文件路径 |
val | 测试集文件路径 |
nc | 种类数目 |
names | 种类名称 |
复制 data 下的 voc.yaml,起一个新的名字如:voc-new.yaml
将以上四个变量值改成自己的数据集对应值
(2)yolov5/model/yolov5s.yaml
复制 model 下的 yolov5s.yaml,起一个新的名字如:yolov5s-new.yaml
将nc改成与vod-new.yaml中的nc值一致
3.3 训练
在 yolov5 路径下执行 :
python train.py --data data/voc-new.yaml --cfg models/yolov5s-new.yaml --weights yolov5s.pt --batch-size 4 --epochs 1000
训练走起
结果存储在
./yolov5/runs/train/exp11
4 模型训练可视化
4.1 下载tensorboard
pip install tensorboard
pip install tensorboardX
Tensorboard是tensorflow内置的一个可视化工具,下载tensorboardX后torch也可以用(不用再下tensorflow,不然环境很容易崩)
4.2 可视化
tensorboard --logdir F:\yolov5\runs\train\exp11
复制http://localhost:6006/,用浏览器打开