基于 yolo_v5 训练识别人物

基于 yolo_v5 训练识别人物

一、文章前言

文章分享yolo模型训练和部署

二、工具&环境准备

2.1 安装必要环境工具

IDE：使用 Pycharm 2021 社区版，推荐安装参考博文：pycharm安装教程，超详细

CUDA 和 CUDNN：用于使用 GPU 加速训练和推理，推荐安装参考博文：Cuda和cuDNN安装教程(超级详细)

Git：便于进行模型操作和环境配置，推荐安装参考博文：Git安装教程（Windows安装超详细教程）

Anconada：便于配置管理 Python 环境，推荐安装参考博文：Win10+Anaconda3 的详细安装教程（图文并茂）

AnLink：将手机画面投屏到电脑的工具，下载链接：AnLink官网

2.2 获取 yolov5 源码

源码获取推荐参考文章：YOLOv5的详细使用教程，以及使用yolov5训练自己的数据集

步骤简单总结一下就是：

• 使用 Git 工具拉取源码
• 使用 Conda 安装配置 yolo 需要的环境

三、模型训练

准备一段用于训练的视频，这里我用的小鲁班作为目标

将这段视频导出为图片，推荐训练的张数为 100 - 400 张，导出可以使用 PR 或者一些网页进行转化，转换网页推荐：Convert To JPG

有了图片后使用 Labelimg 进行标注，在 Git 中使用如下命令下载：

pip install labelimg

下载后启动：

labelimg

选择 yolo 标注模式进行标注，设置目标标签为 luban，标注文件生成的是 txt，用于后续的训练

这里的 labelimg 标注工具有一些使用细节要注意，推荐大家参考阅读这篇文章：labelImg 使用教程 图像标定工具

数据集准备好后，我们放到同一个文件夹下

用 pytorch 打开代码工程，在如下位置新建一个数据集配置文件

输入配置参数：

train: D:\yolo_v5\datasets\trains2  # train images (relative to 'path') 128 images
val: D:\yolo_v5\datasets\trains2  # val images (relative to 'path') 128 images
nc: 1  # number of classes
names: ['luban']  # class names

• train：训练集标签路径
• val：验证集标签路径（理论上两个数据集应该不一样，训练效果更好，这里我使用了同一个）
• nc：识别的种类数目
• names：识别的标签，和标注时设置的标签要对上

之后修改训练脚本 train.py 参数：

配置 pycharm 运行此程序，python 的运行环境是我用 conda 新建的环境

训练现象：GPU 进入打工人状态，整体 200 多张图片训练了 4 个小时左右

模型训练完成后测试训练结果：训练模型结果放在了 yolo_v5\yolov5\runs\train\expxx 目录下面，模型文件是 best.pt 文件

我们修改 detect.py 检测脚本

然后运行检推理检测程序，运行后在输出目录下生成检测的视频文件，结果如下：

观察效果也可以看训练目录下的参数结果：

整体参数还行，loss 曲线正常拟合，没有过拟合和欠拟合情况