yolov5部署以及训练10种中药材分类数据集

记录以下我使用yolov5来训练自己数据集的过程以及遇到的坑~~~

首先要部署yolov5的环境

首先去github上下载yolov5直达

安装依赖包

编译环境我是用的是anaconda 创建的虚拟环境，方便管理，如何创建虚拟环境就不细讲了。创建好之后根据yolov5中的requirment.txt安装它需要的依赖包。
方式一：之前第一次配置环境的时候，用的是pycharm来安装依赖，有几个包一直报错，还是通过pip install 包.whl的方式安装上的，特别是coco。
方式二：后来换了电脑，直接在anaconda prompt中通过pip就很顺利的就装好了。
还是推荐方式二安装依赖包，方便又好管理。

测试yolov5

进入anaconda的虚拟环境，进入到yolov5的路径下，执行:

python detect.py --source 0

--source 0 表示是用电脑的摄像头，采集视频。如果不想采集视频，可以不加上source，直接使用\data\images文件下的测试图片不管是图片还是视频，测试的结果会保存在yolov5项目中\runs\detect\exp文件夹下。

这样yolov5就部署好了，可以训练自己的数据集了。

准备训练集

yolov5的数据集的形式有很多种，我才用的是
图片与标签分开存放在不同的文件夹下，目录如下：

images中存放的是训练和验证的图片，labels中存放的是标签。之前存放图片的文件夹名称为img，在训练的时候老是报错not found labels，改成images就好了。
标签和图片是根据图片名称来对应的。
打标签用的是LabelImg，使用的方法就不介绍了，记得使用YOLO的标签格式

更改程序

一：将data/coco128.yaml文件更改三个地方：
1.train/val 的路径 更改为自己的图片的存放地址，标签的地址可以自动推断出来
2.nc 更改分类数目
3.names 更改分类名称
下面是根据我的数据集更改过后的文件

# COCO 2017 dataset http://cocodataset.org - first 128 training images
# Train command: python train.py --data coco128.yaml
# Default dataset location is next to YOLOv5:
#   /parent_folder
#     /coco128
#     /yolov5


# download command/URL (optional)
download: https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ../train_imgs/images/train  # 1700 images