YoloV5实战：手把手教物体检测——YoloV5

目录

摘要

训练

1、下载代码

2、配置环境

3、准备数据集

4、生成数据集

5、修改配置参数

6、修改train.py的参数

7、查看训练结果

测试

摘要
YOLOV5严格意义上说并不是YOLO的第五个版本，因为它并没有得到YOLO之父Joe Redmon的认可，但是给出的测试数据总体表现还是不错。详细数据如下：

YOLOv5并不是一个单独的模型，而是一个模型家族，包括了YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x、YOLOv5x+TTA，这点有点儿像EfficientDet。由于没有找到V5的论文，我们也只能从代码去学习它。总体上和YOLOV4差不多，可以认为是YOLOV5的加强版。

项目地址：

YOLOV5严格意义上说并不是YOLO的第五个版本，因为它并没有得到YOLO之父Joe Redmon的认可，但是给出的测试数据总体表现还是不错。详细数据如下：

YOLOv5并不是一个单独的模型，而是一个模型家族，包括了YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x、YOLOv5x+TTA，这点有点儿像EfficientDet。由于没有找到V5的论文，我们也只能从代码去学习它。总体上和YOLOV4差不多，可以认为是YOLOV5的加强版。

项目地址：https://github.com/ultralytics/YOLOv5

训练
1、下载代码
项目地址：https://github.com/ultralytics/YOLOv5，最近作者又更新了一些代码。
pip install -r requirements.txt
matplotlib>=3.2.2

numpy>=1.18.5

opencv-python>=4.1.2

pillow

PyYAML>=5.3

scipy>=1.4.1

tensorboard>=2.2

torch>=1.6.0

torchvision>=0.7.0

tqdm>=4.41.0

3、准备数据集
数据集采用Labelme标注的数据格式，数据集从RSOD数据集中获取了飞机和油桶两类数据集，并将其转为Labelme标注的数据集。

数据集的地址：

提取码：

或者：

将下载的数据集解压后放到工程的根目录。为下一步生成测试用的数据集做准备。
4、生成数据集
YoloV5的数据集和以前版本的数据集并不相同，我们先看一下转换后的数据集。
images文件夹存放train和val的图片

labels里面存放train和val的物体数据，里面的每个txt文件和images里面的图片是一一对应的。
坐标是不是真实的坐标，是将坐标除以宽高后的计算出来的，是相对于宽和高的比例。

下面我们编写生成数据集的代码，新建LabelmeToYoloV5.py，然后写入下面的代码。

import os
 
import numpy as np
 
import json
 
from glob import glob
 
import cv2
 
from sklearn.model_selection import train_test_split
 
from os import getcwd
 
 
 
classes = ["aircraft", "oiltank"]
 
# 1.标签路径
 
labelme_path = "LabelmeData/"
 
isUseTest = True  # 是否创建test集
 
# 3.获取待处理文件
 
files = glob(labelme_path + "*.json")
 
files = [i.replace("\\", "/").split("/")[-1].split(".json")[0] for i in files]
 
print(files)
 
if isUseTest:
 
    trainval_files, test_files = train_test_split(files, test_size=0.1, random_state=55)
 
else:
 
    trainval_files = files
 
# split
 
train_files, val_files = train_test_split(trainval_files, test_size=0.1, random_state=55)
 
 
 
 
 
def convert(size, box):
 
    dw = 1. / (size[0])
 
    dh = 1. / (size[1])
 
    x = (box[0] + box[1]) / 2.0 - 1
 
    y = (box[2] + box[3]) / 2.0 - 1
 
    w = box[1] - box[0]
 
    h = box[3] - box[2]
 
    x = x * dw
 
    w = w * dw
 
    y = y * dh
 
    h = h * dh
 
    return (x, y, w, h)
 
 
 
 
 
wd = getcwd()
 
print(wd)
 
 
 
 
 
def ChangeToYolo5(files, txt_Name):
 
    if not os.path.exists('tmp/'):
 
        os.makedirs('tmp/')
 
    list_file = open('tmp/%s.txt' % (txt_Name), 'w')
 
    for json_file_ in files:
 
        json_filename = labelme_path + json_file_ + ".json"
 
        imagePath = labelme_path + json_file_ + ".jpg"
 
        list_file.write('%s/%s\n' % (wd, imagePath))
 
        out_file = open('%s/%s.txt' % (labelme_path, json_file_), 'w')
 
        json_file = json.load(open(json_filename, "r", encoding="utf-8"))
 
        height, width, channels = cv2.imread(labelme_path + json_file_ + ".jpg").shape
 
        for multi in json_file["shapes"]:
 
            points = np.array(multi["points"])
 
            xmin = min(points[:, 0]) if min(points[:, 0]) > 0 else 0
 
            xmax = max(points[:, 0]) if max(points[:, 0]) > 0 else 0
 
            ymin = min(points[:, 1]) if min(points[:, 1]) > 0 else 0
 
            ymax = max(points[:, 1]) if max(points[:, 1]) > 0 else 0
 
            label = multi["label"]
 
            if xmax <= xmin:
 
                pass
 
            elif ymax <= ymin:
 
                pass
 
            else:
 
                cls_id = classes.index(label)
 
                b = (float(xmin), float(xmax), float(ymin), float(ymax))
 
                bb = convert((width, height), b)
 
                out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
 
                print(json_filename, xmin, ymin, xmax, ymax, cls_id)
 
ChangeToYolo5(train_files, "train")
 
ChangeToYolo5(val_files, "val")
 
ChangeToYolo5(test_files, "test")

这段代码执行完成会在LabelmeData生成每个图片的txt标注数据，同时在tmp文件夹下面生成训练集、验证集和测试集的txt，txt记录的是图片的路径，为下一步生成YoloV5训练和测试用的数据集做准备。在tmp文件夹下面新建MakeData.py文件，生成最终的结果

5、修改配置参数
打开voc.yaml文件，修改里面的配置参数
train: VOC/images/train/ # 训练集图片的路径
val: VOC/images/val/ # 验证集图片的路径

number of classes

nc: 2 #检测的类别，本次数据集有两个类别所以写2

class names

names: [“aircraft”, “oiltank”]#类别的名称，和转换数据集时的list对应

6、修改train.py的参数
cfg参数是YoloV5 模型的配置文件，模型的文件存放``在models文件夹下面，按照需求填写不同的文件。

weights参数是YoloV5的预训练模型，和cfg对应，例：cfg配置的是yolov5s.yaml，weights就要配置yolov5s.pt
data是配置数据集的配置文件，我们选用的是voc.yaml，所以配置data/voc.yaml
修改上面三个参数就可以开始训练了，其他的参数根据自己的需求修改。修改后的参数配置如下：

6、修改train.py的参数
cfg参数是YoloV5 模型的配置文件，模型的文件存放在models文件夹下面，按照需求填写不同的文件。
 

weights参数是YoloV5的预训练模型，和cfg对应，例：cfg配置的是yolov5s.yaml，weights就要配置yolov5s.pt
data是配置数据集的配置文件，我们选用的是voc.yaml，所以配置data/voc.yaml
修改上面三个参数就可以开始训练了，其他的参数根据自己的需求修改。修改后的参数配置如下：
parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')
 
parser.add_argument('--cfg', type=str, default='yolov5s.yaml', help='model.yaml path')
 
parser.add_argument('--data', type=str, default='data/voc.yaml', help='data.yaml path

7、查看训练结果
在经历了300epoch训练之后，我们会在runs文件夹下面找到训练好的权重文件和训练过程的一些文件。如图：

测试
首先需要在voc.yaml中增加测试集的路径，打开voc.yaml，在val字段后面增加test: tmp/test.txt这行代码，如图

修改test.py中的参数，下面的这几个参数要修改。

parser = argparse.ArgumentParser(prog='test.py')
parser.add_argument('--weights', nargs='+', type=str, default='runs/exp7/weights/best.pt', help='model.pt path(s)')
parser.add_argument('--data', type=str, default='data/voc.yaml', help='*.data path')
parser.add_argument('--batch-size', type=int, default=2, help='size of each image batch')
parser.add_argument('--save-txt', default='True', action='store_true', help='save results to *.txt')

在275行 修改test的方法，增加保存测试结果的路径。这样测试完成后就可以在inference\images查看到测试的图片，在inference\output中查看到保存的测试结果。

如图：