前言
本文是作者基于ArchLinux实现了 Yolov5对图片的检测以及对数据集的标记与训练
标记工具用的是labelimg(python3.10)会报错,亲测,这里建议读者们换用python38或者python39
通过在terminal中输入
yay -S python38
来安装python3.8,或者使用Anaconda(理论是可行的),另外作者使用的IDE是Pycharm专业版,Vscode配置好了应该也非常方便。
1.下载
前提:需要安装git
有三种下载方式
推荐使用1和2
1.如果github添加了密钥可以输入以下指令
git@github.com:ultralytics/yolov5.git
2.这里放出的是正常https版本,在terminal中输入以下指令,yolov5项目则会被克隆到终端所在的文件夹下
git clone <https://github.com/ultralytics/yolov5.git>
3.下载压缩包 tar -xzvf或者unzip指令进行解压
2.安装相关依赖
这里需要切换到yolov5的路径下,比如说yolov5在/home/xxx目录下
可以cd /home/xxx/yolov5,或者正常cd进入项目目录。
这里采用pip安装的方式进行相关包的安装,terminal中输入以下指令
pip install -r requirements.txt
静静等待相关依赖安装完成后,可以大致的看一下项目目录结构。(这里稍后放出)
3.下载权重文件与Coco128数据集并且进行识别检测
这里作者使用的是yolov5s.pt权重文件,不同的权重文件的识别效果会有不同,这里建议读者自行百度
yolov5s.pt的下载链接如下:
https://github.com/ultralytics/yolov5/releases
在Assert中找到对于的yolov5s.pt文件下载。
下载成功后,把该文件放在yolov5这个主文件目录下。
COCO128数据集的下载链接如下
https://cocodataset.org/#download
该处放的是官方版本,下载需要有一定的网络知识基础
这里的话推荐使用非官方下载方法,读者可以自行查阅
下载完成数据集之后,在yolov5目录下新建一个datasets的文件夹
该文件夹的目录是
/datasets
/coco128
/images
/train2017
/labels
其中的train2017目录下存在着训练中所需要的图片,我们自己制作数据集时还需要有val(验证集)验证集的数量一般是训练集的百分之30左右。
把coco128数据集文件夹放到这里面,具体路径可以根据**/data/coco128.yaml**文件中的路径来
安装完成依赖并且下载权重文件后,在pycharm的terminal中输入以下代码来测试是否成功
python detect.py --weights yolov5s.pt --source data/images/bus.jpg
识别结果会自动放在yolov5/runs/exp/ 目录下
说明:
预测后的结果会自动保存到runs/detect/exp目录下,下次运行结果会保存在runs/detect/exp1目录下。并且依次类推
至此,基本的配置环节成功