yolov5从环境搭建到模型训练整过程

yolov5实战讲解，适合新手入门，从环境搭建到模型训练，最后模型识别演示。

一、Anaconda新建环境YOLO

打开Anaconda Prompt， 查看conda下所有环境

conda env list

为yolo单独创建一个环境。

conda create -n yolo python=3.8

执行代码后，查看环境看到我们的新环境yolo创建完成，下面代码切入到yolo环境下

conda activate yolo

下载YOLOV5

拉取yolov5地址，解压后，看见里面有一个requirements.txt文件，这个txt文件里面记录了yolov5需要的依赖包，接下来我们使用pip命令一键下载这些依赖。

进入到刚刚下载的yolov5文件夹里在地址栏输入cmd回车，并且切换到刚刚新建的yolo环境下。

pip install -r requirements.txt

上面命令运行完，测试一下是否成功，这里使用的pycharm，在yolov5里面有个detect.py，运行后根据路径打开图片如图一样就成功了，接下来制作数据集。

制作数据集

在yolov5-master文件下创建以下目录结构,images下的train和val分别放我们训练和测试用的图片，labels下的train和val存放待会要制作的标签，K.yaml是存放一些目录信息和标志物分类，也是需要放进yolov5模型里的文件

接下来就是对images里面的图片进行打标，使用的打标工具是labelimg，下载地址在这，下载后解压，然后还是和上面如法炮制，labelImg-master文件夹下cmd，activate yolo切换环境，依次输入下面的代码，下载labelimg需要的依赖.

conda install pyqt=5
conda install -c anaconda lxml
pyrcc5 -o libs/resources.py resources.qrc

下载好后，使用下面的命令打开labelimg

python labelimg.py

labelimg里面需要这样设置，先是查看这里几个勾都打上，设置存放目录images里trian的图片就放在labels下面的train，val同理，下面设置为yolo模式。右边的预设标签是在labelimg-master里面的data文件夹里面的predefined_classes.txt，直接删除。（后续有需求，可以在这个txt文件里面，自行增加标签类别，将使用预设标签勾上在后面打标是可以自动归类。）

准备了50张狗图，45张用来训练，5张用来验证。

labelimg快捷键使用 ， w 打标 ，D下一张。

lables文件夹下的train生成了dog.txt文件，0是标签位置，后面四个小数是标记的四个坐标点，这样就算打标完一张图片了。

按部就班把images里面的图片对应着标记完，接下来配置K.yaml文件，train和val放我们图片路径，nc是需要识别的种类，只标记了dog这个标签，nc = 1。names代表种类名称，对应nc，可以自行增加。

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: D:\yolov5-master\yolo_dataset\images\train
val: D:\yolov5-master\yolo_dataset\images\val
# number of classes
nc: 1
# class names
names: ['dog']

配置完成我们开始训练模型，依旧是在pycharm里面运行yolov5，找到train.py, 在data，default = ROOT / “这里写入K.yaml的路径”，这里有几个参数解释一下

–weigths: 指的是训练好的网络模型，用来初始化网络权重
–data：训练数据路径
–epochs：训练迭代次数
–batch-size：每次喂给神经网络的图片数目
–workers: 多线程训练

运行Train.py，能如图显示就表示正在训练，等待运行完毕。

运行完后根据提示路径，查看运行结果。这是生产了best.pt是训练中效果最好的，last.pt是最后一次，接下来我们来测试模型效果。

1 这里写进best.pt路径，2 放入测试图片的路径，3 放同train.py里data一样的K.yaml路径。

运行后测试，效果不错。

基本流程已走完，大家有问题欢迎评论区提问。