YOLOv5-master舌象分类

YOLOv5-master舌象分类

一、数据集准备

本次舌象分类使用了JPEG Images（Tongue）数据集，其中一共有5个类别。
Images里面包括了本次训练所需要的训练集和测试集

数据集在此，可下载
舌象数据集资源压缩包
（注意：文件需要分类且xml文件需要转换为txt文件）

1.images里存放的图片

2.Labels标签集里存放了和所有照片都一一对应的标签。每个标签有多行数据组成。表示该图片有n个要检测的目标。如下图 0表示第0个类别，后面四个数据表示目标的x，y，w，h位置。

3. by liro.yaml文件

其主要作用是为所需要的配置文件存放不同的数据集的路径。

二、Yolov5模型训练

1. 使用Yolov5-master模型进行训练，并且把数据集放到yolov5模型中

2. 调整train文件

从给train文件传参，使训练达到我们所需要的效果
此处我们在vs code中运行，主要在终端使用以下代码进行传参。
代码如下：
python train.py --data by liro.yaml --epochs 50 --weights ‘’ --cfg yolov5s.yaml --batch-size 16 --workers 1

其中，data为配置文件路径，该配置文件存有训练数据的位置。
cfg为所需要的yolov5模型架构5s。
Batch-size为每次读取图像张数。
Epochs为我所设置的迭代次数。次数越高，则模型精度越高。
Workers为线程数。

3. 使用Yolov5的yolov5s.yaml架构

此处将种类nc改为5

三、模型训练

1.将代码输入终端，运行train文件

2. 每训练一次，系统会将结果保持到runs文件夹下。也会给主函数传入相应的参数来改变它的保存路径。

这里值得一提的是：
训练完成的模型为.pt文件，best代表的是模型效果最好，last为模型的上一次训练结果，若遇到突发情况可以继续进行训练以防止丢失数据的情况。

3. 训练结果

4. 部分检测结果展示

5. 一些训练过程产生的信息

四、模型验证

1. detect文件验证

使用以下代码在终端运行detect文件
其中，weight为选择需要用到的模型进行验证
Source为待验证的图片路径

2. 在终端给detect文件传入验证参数并运行

3. 验证结果

五、总结

（内容部分来自Chat Mind AI）
与传统的舌象分类模型不同，使用Yolov5训练模型的主要优点如下:
1.快速高效:Yolov5采用最先进的神经网络结构和训练技术，能够快速地完成模型训练，并且具有高精度的分类效果。
2.目标检测:相比传统的舌象分类模型，Yolov5能够实现在图像上对目标位置的定位和识别，从而提高了分类的准确率。
有优点的同时也会有所缺点，以下是我认为yolov5训练舌象分类的缺点：
1.训练技巧要求高:为达到较好的效果，需要一定的训练技巧，包括数据增强、超参数的选择等，需要一定的经验和技术支持
2.算力要求高:Yolov5的训练需要强大的计算资源支持，对于大型数据集和复杂模型的情况下，需要使用GPU或者云计算服务等
3.目标检测不够精细:虽然Yolov5可以较准确地对图像进行目标定位和分类，但是对于一些小尺寸、形状复杂的舌象图片，其目标检测效果可能还不够理想。
总体来说，本次训练较为理想。由于我所选取的迭代数不够多，所以可能本次训练的结果精度不够高，若想获得更高精度的训练结果，还需要多加训练。