win10使用 yolov5 第二弹！如何成功训练自己的数据集！（roboflow、W&B、labelImg）

刚开始学习使用yolov5的朋友，除了完成我上一篇博文cuda\anaconda\pytorch等环境搭建以外，我们的第一步还没有结束。
这篇博文将继续带着大家逐步探索学习yolov5的历程！

参照官方给出的训练数据集的教程：官方教程
（由于是全英文的，还有许多跳转，部分同学可能看起来比较费劲，我自己也看了好久才理清楚的，所以这里出一个中文版教程，帮助理解）

创建环境：
由于我上一篇博客中python安装的版本是3.9，在prompt中，

conda activate yolov5 //激活环境，每次都要激活

你可以去github上下载yolov5项目https://github.com/ultralytics/yolov5，这是经过大数据训练的成熟模型，我们需要完成的项目只需要在这个基础上进行改进就可以了。

安装pycharm，直接去pycharm官网下载，一路默认安装就好了。

============================================================================
接下来，将带着大家一起开始第一个数据集训练！

创建自定义模型来检测您的对象是一个迭代过程，包括收集和组织图像、标记您感兴趣的对象、训练模型、将其部署到野外进行预测，然后使用该部署的模型收集边缘案例的示例以重复和改进。

创建数据集

YOLOv5 模型必须在标记数据上进行训练，才能学习该数据中的对象类别。在开始训练之前创建数据集有两种选择：
1、roboflow: 一种网页版的图形编辑工具，能够以 YOLOv5 的注释格式导出它们。

如果你是第一次用这个网页，会有引导，记住顺序，一步步标记好自己的数据集。

我这里简单写一个教程：

创建新项目—》

将图片拖到这个框里面，点击右上角上传

点击右边，开始对图片进行标记

像这样逐个标记好，注意：一张图必须一次性标记好，如果想单独吧梨标记好了再回来标记苹果，你会发现，已经没有勾选框了，你根本就无法再标记了。

点击右上角，add XX picture to dataset，出现选择框，要选择将其中多少作为训练集，那些作为测试集，那些作为验证集。这个按照自己的需要选择。弄好之后，点击add picture

双击进入刚才标记的图片集，把这几个都选好，generate



将这一串代码复制下来，便于到时候调出刚才标记的数据集。
到这里数据集的标记工作就已经完成了，但我们经常需要用到的数据集可能是成千上万张图片，所以这个过程是极其费时间的。网上有许多别人已经标记好的数据集。在这里列举几个，有需要的可以去看看。
用于图像识别的数以百万计的图像：
ImageNet:“http://www.image-net.org”; Place: " http://places.csail.mit.edu/downloadData.html"
用于语音识别的上千小时的数据集：
http://www.openslr.org/resources.php

2、安装labelimg图形处理软件

每次在下面这个路径下输入python labelImg.py就能打开了（记住路径）

操作起来也不困难。
可视化的界面最终直接把图片存在文件夹里，比roboflow可视化强很多。

这个软件也是用来标记数据集的,和roboflow二选一即可.

必须要做的！

安装wandb环境： 进入虚拟环境，键入pip install wandb

到weight&biases官网上注册自己的账号，因为后面在ptycharm中运行代码时，会自动从这个网站上下载.pt模型的权重文件，到时候会需要 API 码。

如果不知道自己API码，虚拟环境下，键入wandb init

训练自己的数据集

其实，我们从github上下载的代码就是直接可以运行的，里面有两张命名如下的图片，打开detect.py程序，右键，run ，就能看到结果。结果保存在runs–>detect–>exp中

如果要训练自己的数据集该怎么做呢？
首先将划分好的数据集分为训练集+验证集合+测试集合.；利用labelimg工具完成数据集的划分，记住yolov5数据集需要.txt文件，里面包含目标框中心点 长宽信息。（有的目标检测算法包含图片本身大小这些辅助信息），如果不是，可用python代码进行格式转换。
直接将划分好的数据集，替换yolo_master中的coco2018数据集就行。