YOLOv5的详细使用教程，以及使用yolov5训练自己的数据集

YOLOv5的详细使用教程，以及使用yolov5训练自己的数据集

文章目录：

• 1 安装环境依赖
• • 1.1 克隆项目
  • 1.2 安装必要的环境依赖
• 2 下载预训练模型和标注的数据集
• • 2.1 下载预训练模型
  • • 2.1.1 执行脚本下载预训练模型
    • 2.1.2 直接下载预训练模型，然后保存到`/yolov5/weights`目录下即可，我已经把预训练模型的`url`提取出来
  • 2.2 下载标注的数据集
  • • 2.2.1 执行脚本下载
    • 2.2.2 如果下载比较慢，也可以通过url链接直接下载`coco128.zip`
• 3 训练下载的coco128数据集
• • 3.1 创建训练数据集的配置文件Dataset.yaml
  • 3.2 创建标签（Labels）
  • 3.3 组织文件结构
  • 3.4 选择一个模型训练
  • 3.5 开始训练
  • 3.5.1 训练命令
  • 3.5.2 训练常见错误1
  • 3.5.3 训练常见错误2
  • 3.5.4 训练常见错误3
  • 3.6 使用tensorboard可视化结果
  • 3.7 测试
• 4 训练自己的数据集
• • 4.1 准备数据集
  • 4.2 修改数据和模型配置文件
  • • 4.2.1 修改数据配置文件
    • 4.2.2 修改模型配置文件
  • 4.3 训练自己的数据集
  • 4.3.1 使用yolovs.pt预训练模型进行训练
  • • 4.3.2 使用yolov5l.pt预训练模型进行训练
  • 4.4 使用训练好的预训练模型进行测试
  • 4.5 在Tensorbaord上查看数据的训练过程中的一些指标
• 5 推理测试
• • 5.1 图像推理测试
  • 5.2 目录推理测试
  • 5.3 视频推理测试
  • 5.4 网络摄像头推理测试
  • 5.5 http流推理测试
  • 5.6 rtsp流推理测试
• 6 可视化
• • 6.1 训练的模型的测试表现可视化
  • 6.2 训练损失和性能指标视化

---

本人环境声明：

• 系统环境：Ubuntu18.04.1
• cuda版本：10.2.89
• cudnn版本：7.6.5
• torch版本：1.5.0
• torchvision版本：0.6.0
• 项目代码yolov5，官网，项目开源的时间：20200601

---

自定义数据集：

1 安装环境依赖

1.1 克隆项目

git clone https://github.com/ultralytics/yolov5 # clone repo

如果下载比较慢，建议使用下面的镜像下载：

git clone https://github.com.cnpmjs.org/ultralytics/yolov5 # clone repo

1.2 安装必要的环境依赖

官方给出的要求是：python>=3.7、PyTorch>=1.5，安装依赖：

cd yolov5
pip install -U -r requirements.txt
requirements.txt

# pip install -U -r requirements.txt
Cython
numpy==1.17
opencv-python
torch>=1.5
matplotlib
pillow
tensorboard
PyYAML>=5.3
torchvision
scipy
tqdm
git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI

# Nvidia Apex (optional) for mixed precision training --------------------------
# git clone https://github.com/NVIDIA/apex && cd apex && pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" . --user && cd .. && rm -rf apex

# Conda commands (in place of pip) ---------------------------------------------
# conda update -yn base -c defaults conda
# conda install -yc anaconda numpy opencv matplotlib tqdm pillow ipython
# conda install -yc conda-forge scikit-image pycocotools tensorboard
# conda install -yc spyder-ide spyder-line-profiler
# conda install -yc pytorch pytorch torchvision
# conda install -yc conda-forge protobuf numpy && pip install onnx  # https://github.com/onnx/onnx#linux-and-macos

2 下载预训练模型和标注的数据集

2.1 下载预训练模型

2.1.1 执行脚本下载预训练模型

/yolov5/weights/download_weights.sh脚本定义下载预训练模型，脚本代码内容如下：

#!/bin/bash
# Download common models

python3 -c "from utils.google_utils import *;
attempt_download('weights/yolov5s.pt');
attempt_download('weights/yolov5m.pt');
attempt_download('weights/yolov5l.pt');
attempt_download('weights/yolov5x.pt')"

attempt_download函数在/yolov5/utils/google_utils.py脚本中定义

2.1.2 直接下载预训练模型，然后保存到/yolov5/weights目录下即可，我已经把预训练模型的url提取出来

大家直接在google driver中下载即可，地址（可能需要科学上网）：

点我——》带你去：https://drive.google.com/drive/folders/1Drs_Aiu7xx6S-ix95f9kNsA6ueKRpN2J

2.2 下载标注的数据集

2.2.1 执行脚本下载

python3 -c "from yolov5.utils.google_utils import gdrive_download; gdrive_download('1n_oKgR81BJtqk75b00eAjdv03qVCQn2f','coco128.zip')" # download dataset

执行上面的代码，会下载：coco128.zip数据集，该数据是COCO train2017数据的一部分，只取了coco数据集中的128张标注的图片，coco128.zip下载完后解压到/yolov5目录下即可，解压后的coco128文件结构如下：

coco128
|-- LICENSE
|-- README.txt  # 相关说明
|-- annotations  # 空目录
|-- images   # 128张jpg图片
`-- labels  # 128张标注的t