关于Yolo的学习分享

学习资源：

手把手教你搭建自己的yolov5目标检测平台_哔哩哔哩_bilibili

yolo v5 解读，训练，复现_哔哩哔哩_bilibili

Yolo原理

Yolo首先会将图片分成n*n个网格，每个网格负责干两件事，预测目标框与目标类别。预测目标框时，每个网格会预测3个目标框，通过置信值筛去。如果目标中心没在预测目标框内，直接为0，如果在的话在计算iou最后得到置信值，可借鉴公式

Pr(Classi​∣Object)∗Pr(Object)∗IOUpredtruth​=Pr(Classi​)∗IOUpredtruth​

IoU，为预测框与真实框（打标签弄地）相交面积和相并面积的比值，最后获取真实目标框

Yolo跑自己的数据集

制作数据集：

1、使用labelimg打标签，注意该软件是否有标签缓存，有的话要删去。

2、将制作的数据集存放进yolo第一层目录下分为imgs，labels，里面又要写入test，train

3、在data目录下写yaml文件，内容为一些数据参数（类型要与打的标签相匹配）

4、在model目录下写yaml文件，内容为模型的参数

训练数据集

1. 配置参数：train.py文件中Weight使用官方自带的

                          Cfg使用自己制作的模型参数文件yaml

                          Data使用自己制作的数据参数文件yaml

1. 开始训练，如果虚拟内存不够，则需要yolov5-5.0/utils/datasets.py第81行nw=0
2. 训练完成后会出现best.py与last.py。可以通过tensorboard看结果
3. 然后可以将训练好的pt文件在test里面测试

  opt模型主要参数解析：

    --weights：初始化的权重文件的路径地址

    --cfg：模型yaml文件的路径地址

    --data：数据yaml文件的路径地址

    --hyp：超参数文件路径地址

    --epochs：训练轮次

    --batch-size：喂入批次文件的多少

    --img-size：输入图片尺寸

    --rect:是否采用矩形训练，默认False

    --resume:接着打断训练上次的结果接着训练

    --nosave:不保存模型，默认False

    --notest:不进行test，默认False

    --noautoanchor:不自动调整anchor，默认False

    --evolve:是否进行超参数进化，默认False

    --bucket:谷歌云盘bucket，一般不会用到

    --cache-images:是否提前缓存图片到内存，以加快训练速度，默认False

    --image-weights：使用加权图像选择进行训练

    --device:训练的设备，cpu；0(表示一个gpu设备cuda:0)；0,1,2,3(多个gpu设备)

    --multi-scale:是否进行多尺度训练，默认False

    --single-cls:数据集是否只有一个类别，默认False

    --adam:是否使用adam优化器

    --sync-bn:是否使用跨卡同步BN,在DDP模式使用

    --local_rank：DDP参数，请勿修改

    --workers：最大工作核心数

    --project:训练模型的保存位置

    --name：模型保存的目录名称

    --exist-ok：模型目录是否存在，不存在就创建

── data：主要是存放一些超参数的配置文件（这些文件（yaml文件）是用来配置训练集和测试集还有验证集的路径的，其中还包括目标检测的种类数和种类的名称）；还有一些官方提供测试的图片。如果是训练自己的数据集的话，那么就需要修改其中的yaml文件。但是自己的数据集不建议放在这个路径下面，而是建议把数据集放到yolov5项目的同级目录下面。

── models：里面主要是一些网络构建的配置文件和函数，其中包含了该项目的四个不同的版本，分别为是s、m、l、x。从名字就可以看出，这几个版本的大小。他们的检测测度分别都是从快到慢，但是精确度分别是从低到高。这就是所谓的鱼和熊掌不可兼得。如果训练自己的数据集的话，就需要修改这里面相对应的yaml文件来训练自己模型。

── utils：存放的是工具类的函数，里面有loss函数，metrics函数，plots函数等等。

── weights：放置训练好的权重参数。

── detect.py：利用训练好的权重参数进行目标检测，可以进行图像、视频和摄像头的检测。

── train.py：训练自己的数据集的函数。

── test.py：测试训练的结果的函数。