YOLOv5 colab实操

说来惭愧，学了这么久ML还没有完整运行一次大模型的主要功能，于是以yolov5为例在colab来自己跑一遍里面的train，val，detect这些基本功能。

环境创建

首先克隆模型（加上' ！'表示执行的是终端命令）

!git clone https://github.com/ultralytics/yolov5

 然后把里面requirements的txt文件环境给pip下来（注意前面要加上%表示命令行命令）

%cd yolov5
%pip install -r requirements.txt

因为colab已经帮我们下载好这些环境了，所以看到很多都显示‘already satisfied’

 接着检查一下notebook初始化情况

import torch
import utils
display=utils.notebook_init()

推理

先用自带的yolov5.pt来推理一下

!python detect.py

其实这里可以改的参数有很多，具体都在detect.py里有说明

可以看到结果已经保存到runs/detect/exp目录下

 

 把图片打印出来（也可以直接在文件夹里看）

display.Image(filename='runs/detect/exp/zidane.jpg', width=600)

 验证

首先下载用来验证的数据集，这里下的是coco128

torch.hub.download_url_to_file('https://ultralytics.com/assets/coco2017val.zip', 'tmp.zip')  # download (780M - 5000 images)
!unzip -q tmp.zip -d ../datasets && rm tmp.zip  # unzip

接着运行val.py进行验证（这里的可选参数也都有写在val.py里）

!python val.py --data coco.yaml

 训练

执行train.py来训练模型，这里自己设置了一些参数，比如batchsize设置成64，训练次数5次，训练的数据集用的是coco128（必须要之前下载过的并且在data文件夹里有对应的yaml文件），优化器用的Adam，具体的参数在train.py文件里也有说明

!python train.py --batch 64 --epochs 5 --data coco128.yaml --optimizer Adam

训练结果保存在这：
 

 最后用自己训练出的pt文件去推理一次

首先把best.pt文件放到yolov5主文件夹下，不然会报错找不到该文件

再运行detect文件，指定weight为刚刚训练出的best.pt

!python detect.py --weight best.pt

 结果保存在runs/detect/exp3里，让我们看看效果：

因为只训练5轮所以推理效果当然不好hhh，想提高精度的话可以epoch设置大一点