一、下载安装
英伟达驱动、cuda、cudnn、vs-studio安装
系统环境配置::: nvidia的cuda、cudnn (我的是较好用的 cuda11.3 cudnn 8.1 win×86)
安装配置完成后!重启电脑!!!
安装 pytorch: cuda 11.3
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113
conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch # conda下载,相对pip较快!!但是检测环境耗时较长!
安装git工具: conda install -c anaconda git
克隆仓库: git clone https://github.com/ultralytics/yolov5.git #(记得挂飞机!!)
进入下载后的目录, cd yolov5 下载相关依赖: pip install -r requirements.txt
二、训练自定义数据
### 2.1 标注部分:
1、标注工具: label-img,直接拷贝过来,放在某一个文件夹中使用!!!
2、待标注图片:分为train和val两个文件夹,也同样,标签数据也建立一个文件号夹lable,里面有两个文件夹,train和val....
3、分完文件夹之后,打开lableImg目录下的data文件夹,里面有分类的txt文件!!!,可修改分类!!! ( predefined_classes.txt )不要有空格,和特殊符号!!!
4、重新打开 lable IMG程序!!!
5、train_img和 val_img文件夹图片,lable img分别打开文件夹open-dir,修改save-dir为 train_lable 和val_lable
6、修改pasc vocal格式为 yolo,即可开始标注图片!!! (复制出来的单exe文件,类别无法跟随!!!依赖data目录!!)
7、lable-img快捷键: w画框、a左、d右,ctrl+s 保存!!! Ctrl++放大, Ctrl-- 缩小
8、解压已经标注好的数据集,
### 2.2 训练部分
1、修改yaml文件,复制一份coco128.yaml,修改成自己的名字coco_chv.yaml,
path: 相对于yolov5文件夹的相对目录(运行文件:train.py),(上级目录: ../...),(imgs和lables的根目录)
train: 当前path下的 train, ./images/train val: 当前path下的 val, ./images/train
nc: 类别的数量,当前工地防护,总的是6类, ( ps.新版本取消了这个,直接填写类别就行了!!! )
name: 6类的名称!!
download,是 下载对应的脚本,可以删掉!!!
2、修改model下的yolov_n 的模型的文件,复制一份yolov5n.yaml,(.pt:权重,.yaml:模型)
修改成自己的名字yolov5n_chv.yaml,
yolov5n.yaml,只需修改类别数量nc,nc为 6即可!!!
3、模型yolov5n.pt,即为预训练文件,为什么需要预训练文件,
因为训练样本较少,基于已有的模型,训练效果更好!
减少训练时间,提升训练效果!
### 2.3 开始训练!