运行环境搭建
先制条件:有安装python内核,有安装anaconda
创建anaconda环境:conda create -n ljx python=3.11
项目下载
下载YOLOv5的github上的代码用pycharm打开,环境用刚建好的环境下载链接:https://github.com/ultralytics/yolov5
项目环境搭建:
在anaconda环境里(pycharm命令行,进入自己的环境)运requirements.txt文件用来下载包:pip install -r requirements.txt
这一步就会下载好pytorch环境
数据集准备
访问roboflow网站随便下载一个数据集(Hard Hat Sample),下载要下载pytorch-yolov5版本的。将下载好的解压放到项目文件夹中(放不放都行,太大就不放)
预训练模型下载(可选)
格式是.pt文件。先学yolo5s,因为其简单快速
YOLO模型有:
训练
需要参数设置:
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --batch-size 128
yolov5s 64
yolov5m 40
yolov5l 24
yolov5x 16
我的命令:python train.py --data Hard_Hat_Sample/data.yaml --epochs 10 --weights yolov5s.pt --cfg models/yolov5s.yaml --batch-size 16
需要修改Hard_Hat_Sample数据集的文件名以及yaml配置文件更改。
项目文件夹及文件解释
-
runs文件夹:train文件夹:训练得到的数据都在里面,每次训练一个文件夹。detect文件夹:预测出来的数据在里面。每次试验都生成一个output文件夹,里面是预测得到的东西。
-
weights文件夹:里面有一个脚本,可以批量的下载预训练模型.pt文件
-
data文件夹:里面有coco.yaml、voc.yaml文件,主要是用于这些数据集的配置文件,这些数据集从网络上下载。我们用不到,因为一般用自己的数据集。
-
inference文件夹:里面是测试的数据,放入这个文件夹下的images文件夹下。然后运行detect.py对该文件夹下的文件进行预测后,会生成一个output文件夹,里面就是网络对每张测试图片预测出来的效果。
我的预测命令: python detect.py --weights runs/train/exp9/weights/best.pt --source inference/images --conf=0.9
conf是置信度。weights是训练好的模型
-
其他文件夹和文件讲源码的时候再说