本文章主要涉及以下工作：
（1）详细介绍了怎样制作YOLO的自定义数据集以及如何使用自定义数据集训练YOLO模型。
（2）对YOLOv5、YOLOv6、YOLOv7、YOLOv8进行了部分修改，能够适配自定义数据集进行训练。
（3）提供了各YOLO算法的目标检测模型的预训练权重。
（4）提供了项目的 Python 代码以及相应的使用文档。
如果文章有用，欢迎各位→点赞👏 + 收藏💞 + 留言🔔 😁🌹🌹
项目代码：YOLO-Datasets-And-Training-Methods
如果项目代码有用，请给Github项目star一下，谢谢啦 😁🌹🌹
目录
1. 制作自定义数据集
（1）采集数据
- 如果使用 Intel RealSense 双目相机采集图像，可以查看 使用 Intel RealSense 采集图片并制作机器视觉数据集。
（2）安装并启动标注工具
-
打开终端，输入以下命令完成标注工具 labelimg 的安装。
pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple -
在终端输入
labelimg，启动 labelimg，出现如下所示的界面。
（3）配置标注工具
- 在 View 菜单中找到 Auto Save mode，点击 Auto Save mode 将标注过程设置成自动保存模式。
- 设置数据集格式，选择 PascalVOC。
（4）标注数据
-
建议YOLO的自定义数据集设置成如下的目录结构。其中 YoloDataSets 为数据集的根目录，images 文件夹内放置待标注的图片，Annotations 文件夹内放置标注工具生成的标签。
YoloDataSets/ |——————images/ | └——————1.jpg | └——————2.jpg | └——————3.jpg | └——————... |——————Annotations/ | └——————1.xml | └——————2.xml | └——————3.xml | └——————... -
点击 Open Dir 选择 images 文件夹，打开待标注的图片。
-
点击 Change Save Dir 选择 Annotations 文件夹，将标签保存在 Annotations 文件夹。
-
开始标图，详细过程如下。
（5）将VOC格式数据集转换成YOLO格式数据集
-
将标注好的数据集按以下结构保存。
YoloDataSets/ |——————images/ | └——————1.jpg | └——————2.jpg | └——————3.jpg | └——————... |——————Annotations/ | └——————1.xml | └——————2.xml | └——————3.xml | └——————... -
在终端输入以下命令，运行 DataSet.py。
python DataSet.py --yoloversion yolov5 --trainval_percent 0.9 --train_percent 0.9 --mainpath YoloDataSets --classes ['dog','man'] yolov6 ··· ··· ···· ['','',···] yolov7 ··· ··· ···· ['','',···] yolov8 ··· ··· ···· ['','',···] -
各参数含义如下。
-
yoloversion :
YOLO的版本，这里可供选择 YOLOv5、YOLOv6、YOLOv7、YOLOv8 -
trainval_percent :
训练集和验证集的总占比，即 1-trainval_percent 为测试集占比 -
train_percent :
训练集在训练集和验证集中的占比 -
mainpath :
自定义数据集的根目录 -
classes :
待检测标签的名称，请按照示例以列表的格式填写
-
2. 训练YOLO算法
（1）YOLOv5的训练方法
-
在终端输入如下命令，进入 yolov5 文件夹。
cd yolov5 -
将转换后的数据集放在 yolov5 的根目录下。
-
在 YoloDataSets 目录下添加 .yaml 配置文件 data.yaml ，内容和格式如下。
path : YoloDataSets train: train.txt val: val.txt test: test.txt # number of classes nc: 2 # class names names: ['dog','man'] -
在终端运行如下命令，参数按实际情况进行调整。
python train.py --data YoloDataSets/data.yaml --epochs 300 --weights yolov5n.pt --cfg model/yolov5n.yaml --batch-size 128 yolov5s.pt model/yolov5s.yaml 64 yolov5m.pt model/yolov5m.yaml 40 yolov5l.pt model/yolov5l.yaml 24 yolov5x.pt model/yolov5x.yaml 16 -
官方提供的目标检测预训练权重如下。
Model size
(pixels)mAPval
50-95mAPval
50Speed
CPU b1
(ms)Speed
V100 b1
(ms)Speed
V100 b32
(ms)params
(M)FLOPs
@640 (B)YOLOv5n 640 28.0 45.7 45 6.3 0.6 1.9 4.5 YOLOv5s 640 37.4 56.8 98 6.4 0.9 7.2 16.5 YOLOv5m 640 45.4 64.1 224 8.2 1.7 21.2 49.0 YOLOv5l 640 49.0 67.3 430 10.1 2.7 46.5 109.1 YOLOv5x 640 50.7 68.9 766 12.1 4.8 86.7 205.7 YOLOv5n6 1280 36.0 54.4 153 8.1 2.1 3.2 4.6 YOLOv5m6 1280 51.3 69.3 887 11.1 6.8 35.7 50.0 YOLOv5l6 1280 53.7 71.3 1784 15.8 10.5 76.8 111.4 YOLOv5x6
+ [TTA]1280
153655.0
55.872.7
72.73136
-26.2
-19.4
-140.7
-209.8
-
（2）YOLOv6的训练方法
-
在终端输入如下命令，进入 yolov6 文件夹。
cd yolov6 -
将转换后的数据集放在 yolov6 的根目录下。
-
在 YoloDataSets 目录下添加 .yaml 配置文件 data.yaml ，内容和格式如下。
train: YoloDataSets/images/train # train images val: YoloDataSets/images/val # val images test: YoloDataSets/images/test is_coco: False # number of classes nc: 2 # class names names: ['dog','man'] -
在终端运行如下命令，参数按实际情况进行调整。
python tools/train.py --batch 64 --conf configs/yolov6s6_finetune.py --data YoloDataSets/data.yaml --epochs 300 --device 0 -
官方提供的目标检测预训练权重如下。
Model Size mAPval
0.5:0.95SpeedT4
trt fp16 b1
(fps)SpeedT4
trt fp16 b32
(fps)Params
(M)FLOPs
(G)YOLOv6-N 640 37.5 779 1187 4.7 11.4 YOLOv6-S 640 45.0 339 484 18.5 45.3 YOLOv6-M 640 50.0 175 226 34.9 85.8 YOLOv6-L 640 52.8 98 116 59.6 150.7 YOLOv6-N6 1280 44.9 228 281 10.4 49.8 YOLOv6-S6 1280 50.3 98 108 41.4 198.0 YOLOv6-M6 1280 55.2 47 55 79.6 379.5 YOLOv6-L6 1280 57.2 26 29 140.4 673.4
（3）YOLOv7的训练方法
-
在终端输入如下命令，进入 yolov7 文件夹。
cd yolov7 -
将转换后的数据集放在 yolov7 的根目录下。
-
在 YoloDataSets 目录下添加 .yaml 配置文件 data.yaml ，内容和格式如下。
train: YoloDataSets/train.txt val: YoloDataSets/val.txt test: YoloDataSets/test.txt # number of classes nc: 2 # class names names: ['dog','man'] -
在终端运行如下命令，参数按实际情况进行调整。
# finetune p5 models python train.py --workers 8 --device 0 --batch-size 32 --data YoloDataSets/data.yaml --img 640 640 --cfg cfg/training/yolov7-custom.yaml --weights 'yolov7_training.pt' --name yolov7-custom --hyp data/hyp.scratch.custom.yaml # finetune p6 models python train_aux.py --workers 8 --device 0 --batch-size 16 --data YoloDataSets/data.yaml --img 1280 1280 --cfg cfg/training/yolov7-w6-custom.yaml --weights 'yolov7-w6_training.pt' --name yolov7-w6-custom --hyp data/hyp.scratch.custom.yaml -
官方提供的目标检测预训练权重如下。
Model Test Size APtest AP50test AP75test batch 1 fps batch 32 average time YOLOv7 640 51.4% 69.7% 55.9% 161fps 2.8ms YOLOv7-X 640 53.1% 71.2% 57.8% 114fps 4.3ms YOLOv7-W6 1280 54.9% 72.6% 60.1% 84fps 7.6ms YOLOv7-E6 1280 56.0% 73.5% 61.2% 56fps 12.3ms YOLOv7-D6 1280 56.6% 74.0% 61.8% 44fps 15.0ms YOLOv7-E6E 1280 56.8% 74.4% 62.1% 36fps 18.7ms
（4）YOLOv8的训练方法
-
在终端输入如下命令，进入 yolov8 文件夹。
cd yolov8 -
将转换后的数据集放在 yolov8 的根目录下。
-
在 YoloDataSets 目录下添加 .yaml 配置文件 data.yaml ，内容和格式如下。
path : ../YoloDataSets train: train.txt val: val.txt test: test.txt # number of classes nc: 2 # class names names: ['dog','man'] -
在终端运行如下命令，参数按实际情况进行调整。
yolo task=detect mode=train model=yolov8n.yaml data=YoloDataSets/data.yaml batch=28 epochs=300 imgsz=640 workers=32 device=0 yolov8s.yaml yolov8m.yaml yolov8l.yaml yolov8x.yaml -
官方提供的目标检测预训练权重如下。
Model size
(pixels)mAPval
50-95Speed
CPU ONNX
(ms)Speed
A100 TensorRT
(ms)params
(M)FLOPs
(B)YOLOv8n 640 37.3 80.4 0.99 3.2 8.7 YOLOv8s 640 44.9 128.4 1.20 11.2 28.6 YOLOv8m 640 50.2 234.7 1.83 25.9 78.9 YOLOv8l 640 52.9 375.2 2.39 43.7 165.2 YOLOv8x 640 53.9 479.1 3.53 68.2 257.8
3. 参考资料
[1] YOLOv5 官方代码 v7.0
[2] YOLOv6 官方代码 v0.3.0
[3] YOLOv7 官方代码 v0.1
[4] YOLOv8 官方代码 v0.0.0
2064
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
