Windows10+YOLOv5训练自己的数据集

一、环境和配置

系统：window10
CUDA：10.1
CUDNN：7.4
python：3.7
opencv-python>=4.1.2
pytorch>=1.7.0
本文介绍使用anaconda搭建环境。

1.1 安装anaconda

anaconda的安装教程之前已经写过一篇文章，还没安装的请自行参考安装，这里不再赘述，参考链接：anaconda安装教程

1.2 在anaconda中安装pytorch虚拟环境

这一步不是必须的，但是建议建立虚拟环境安装pytorch，免得中途出错把别的环境也破坏了，到时候就得不偿失了。
在anaconda中安装虚拟环境的教程之前也已经写过了，这里就不写了，自行参考链接：anaconda中创建虚拟环境

1.3 安装CUDA和cudnn

若要使用GPU训练，则需要安装CUDA和cudnn，具体的安装方法可以参考我的另一篇文章：CUDA和cudnn的安装

1.4 安装pytorch GPU版

yolov5最新版本需要pytorch1.7（以前要求是1.6）版本以上，因此我们安装pytorch1.7版本。
第一步：打开命令提示符：

第二步：激活torch环境（我装的虚拟环境取名为torch），输入命令：

activate torch

第三步：安装pytorch。由于先安装好了CUDA10.1，因此在环境中输入：

pip install torch==1.7.0+cu101 torchvision==0.8.1+cu101 torchaudio===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html

然后就是等待pytorch的安装完成，可能需要一定的时间。

如果你想装其他版本，可以先进入pytorch官网，然后选择相应的版本，下面有相应的安装命令，复制下来，在torch环境下输入该命令即可。

第四步：安装好之后，可能需要将numpy进行升级，输入命令：

pip install --upgrade numpy

第五步：测试torch是否安装成功
先打开python编译环境，输入：

python

然后输入下面的命令查看torch的版本：

import torch as t
t.__version__

若输出为下面的结果，则说明pytorch安装成功：

另外也可以输入另一个命令：

import torch as t
t.cuda.is_available

若输出的结果为“True”，则说明安装成功

补充：导入pytorch使用的命令是“torch”，而非“pytorch”，若在导入torch的时候出现错误：“OSError：[WinError 126]找不到指定的模块。”这里根据提示在路径中去找这个模块，会发现这个“asmjit.dll”是存在于该路径下的，并没有丢失。
解决办法：根据出错的提示，上面有一个网址，把它复制下来，用任意一个浏览器打开，下载这个应用程序，然后双击安装。安装完毕后重启一下电脑，就会发现可以正确的导入torch模块了 。

二 源码测试

2.1 下载源码

在GitHub上下载源码：YOLOv5源码下载地址

2.2 安装依赖项

下载源码并解压后，源码根目录下有一个requirements.txt，这里面就是需要安装的各种依赖项了，安装方法是，从根目录打开命令提示符：在文件夹上方的框里输入“cmd”，然后按回车：

之后就会跳出来一个命令提示符框，并且是在该根目录下：

输入命令：

pip install -r requirements.txt

然后等待安装完成就行了。

2.3 测试

2.3.1 下载权重文件

作者在GitHub中给出了他们训练出来的权重文件：权重文件下载地址
并给出了各种权重文件的检测效果，我们可以随意下载。

将下载的权重文件放在./weight文件夹下。

2.3.2 测试

还是在源码的根目录下打开命令提示符，然后激活torch环境

图片测试：
输入命令：

python detect.py --source ./data/images/ --weights ./weights/yolov5s.pt --conf 0.4

运行之后输出：

这时候根目录文件夹中，多了一个runs文件夹，这里面就是测试的结果：

打开runs文件夹，一路打开里面所有的文件夹，里面有两张检测后的图片：

打开其中一个看一下：

视频测试
准备一个视频文件test.mp4，放在/data/video路径下，输入命令：

python detect.py --source ./data/video/test.mp4 --weights ./weights/yolov5s.pt --conf 0.4

其他方式的检测就不在这里写测试方法了，放在后面！！！
另外这些测试命令的解释，也放在后续使用自己训练的模型进行测试的介绍中了！！！！

三、训练自己的数据集

3.1 数据集制作

数据集制作的前半部分可以参考我的另一篇文章VOC数据集制作
这里我就接着VOC数据集制作这篇文章来讲接下来对数据集的操作。

第一步：将制作好的数据集放到yolov5-master根目录下。我的数据集文件夹结构为：

第二步：将数据集转换到yolo数据集格式。在VOCdata中新建一个voc_label.py文件，输入如下代码：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import  shutil

sets=[('TrainVal', 'train'), ('TrainVal', 'val'), ('Test', 'test')]

classes = ['类别1', '类别2', '类别3',