YOLOv5 环境搭建、 coco128 训练示例 、 详细记录【一文读懂】

最新推荐文章于 2024-07-23 16:08:18 发布
置顶 最新推荐文章于 2024-07-23 16:08:18 发布
阅读量1.1w 收藏 114
点赞数 17
分类专栏： YOLO专栏 文章标签： YOLOv5 coco128
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_28442665/article/details/108797036
版权
  • 🥇 版权: 本文由【墨理学AI】原创、在CSDN首发、各位大佬、敬请查阅
  • 🎉 声明: 作为 A I领域 全网干货最多的博主之一，❤️ 不负光阴不负卿 ❤️

文章目录

📔 环境搭建

最新当前环境搭建方法【2021-8-19】

conda create -n torchYolo python=3.8.0

conda activate torchYolo

pip install -r requirements.txt

# export requirements 【模型转换需要安装】
pip install  coremltools onnx scikit-learn

📕 测试

🟧 使用 预训练 模型进行测试： 【2020-09-25 版本代码测试方法】

python detect.py --source ./inference/images/ --weights  ./pretrain/yolov5x.pt --conf 0.4

测试检测效果示例如下：

1

2

  • 可以发现，模型越大，检测越准确（指标数值变大）；

【2021-8-19】补充更新，当前版本作者代码一直在更新【测试命令相应也有改变】

🟨 显卡推理测试 Quadro RTX 5000【2021-8-19版本代码测试】

该部分随官方代码更新补充

🔴 对 coco/images/val2017 进行测试
python detect.py --source data/coco/images/val2017

GPU 占用  1217MiB

# 输出如下
...
image 4998/5000 /home/moli/project/projectBy/ten/objectDetect/coco/images/val2017/000000581482.jpg: 448x640 1 clock, Done. (0.008s)
image 4999/5000 /home/moli/project/projectBy/ten/objectDetect/coco/images/val2017/000000581615.jpg: 640x480 1 toilet, Done. (0.008s)
image 5000/5000 /home/moli/project/projectBy/ten/objectDetect/coco/images/val2017/000000581781.jpg: 480x640 22 bananas, 3 oranges, Done. (0.008s)
Results saved to runs/detect/exp3

Done. (121.517s)

# 速度
FPS = 5000 / 121.517 = 41.146  帧 / 秒
🔵 对 视频检测测试 3840 * 2160 分辨率 | 29.97 帧 / 秒
python detect.py --source data/videos/

GPU 占用  1217MiB

# 输出如下
...

video 1/1 (3622/3622) /home/moli/data/videos/5p2b_01A1.m4v: 384x640 5 persons, 1 sports ball, Done. (0.008s)

Results saved to runs/detect/exp2
Done. (384.598s)

# 速度
FPS = 3622 / 384.598 = 9.417   帧 / 秒
🟣 yolov5s.pt 转换 得到 yolov5s.onnx
python export.py --weights yolov5s.pt --img 640 --batch 1 --include onnx

# 输出如下

export: weights=yolov5s.pt, img_size=[640], batch_size=1, device=cpu, include=['onnx'], half=False, inplace=False, train=False, optimize=False, dynamic=False, simplify=False, opset=12
YOLOv5 🚀 v5.0-375-gd1182c4 torch 1.9.0+cu102 CPU

Fusing layers... 
Model Summary: 224 layers, 7266973 parameters, 0 gradients

PyTorch: starting from yolov5s.pt (14.8 MB)

ONNX: starting export with onnx 1.10.1...


ONNX: run --dynamic ONNX model inference with: 'python detect.py --weights yolov5s.onnx'

Export complete (2.88s)
🟡 运行 yolov5s.onnx 进行测试
python detect.py --weights yolov5s.onnx 

detect: weights=['yolov5s.onnx'], source=data/images, imgsz=[640, 640], conf_thres=0.25, iou_thres=0.45, max_det=1000, device=, view_img=False, save_txt=False, save_conf=False, save_crop=False, nosave=False, classes=None, agnostic_nms=False, augment=False, visualize=False, update=False, project=runs/detect, name=exp, exist_ok=False, line_thickness=3, hide_labels=False, hide_conf=False, half=False, tfl_int8=False
YOLOv5 🚀 v5.0-375-gd1182c4 torch 1.9.0+cu102 CUDA:0 (Quadro RTX 5000, 16125.3125MB)

image 1/2 /home/moli/project/project21Next/modelTrans/ncnnLearn/yolov5/data/images/bus.jpg: 640x640 4 class0s, 1 class5, Done. (0.620s)
image 2/2 /home/moli/project/project21Next/modelTrans/ncnnLearn/yolov5/data/images/zidane.jpg: 640x640 2 class0s, 2 class27s, Done. (0.369s)
Results saved to runs/detect/exp
Done. (4.562s)

📗 官方coco128 数据集训练 + 测试

下载 coco128 数据集、并解压：

curl -L -o tmp.zip https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip && unzip -q tmp.zip && rm tmp.zip  # download dataset

训练：

服务器网络畅通，则直接执行如下命令，会自动下载 coco128 数据集，并开始训练：

python train.py --img 640 --batch 16 --epochs 5 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights ''

测试：（这一步作用是什么？？？）

python test.py --data coco128.yaml --img 640 --conf 0.001

使用训练得到的模型进行测试：

python detect.py --source ./inference/images/ --weights  ./runs/exp0/weights/best.pt --conf 0.4

测试并生成数据对应的检测结果文本文件 --save-txt

python detect.py --source ./inference/images/ --weights  ./runs/exp0/weights/best.pt --conf 0.4 --save-txt

总结： --save-txt 检测结果txt ；观察 上一步骤 ./inference/output/ 目录下生成的文件，发现如下

9

📘 定制数据集训练

Train Custom Data：直接参考官方

官方示例，步骤简述如下：

2

3

3

4

5

5

6. 使用 yolov5s.pt 预训练模型 对 coco128 进行 300 epochs 训练

time python train.py --img 640 --batch 16 --epochs 300 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights ./pretrain/yolov5s.pt --device 1
  • 训练时长： 20分钟
  • 生成结果目录： yolov5-master/runs
  • 300 epochs 训练 得到的 results.png 如下：

7

📙 感谢关注

  • ❤️ 你只看一篇就够用的教程 感谢各位大佬一键三连
  • ❤️ 祝愿你的代码没有Bug , 学习顺利 ！

9-6

墨理学AI
关注
  • 17
    点赞
  • 踩
  • 114
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 8
    评论
专栏目录
【计算机视觉】YOLO 入门：训练 COCO128 数据集
wzk4869的博客
08-29 1万+
【计算机视觉】YOLO 入门：训练 COCO128 数据集
yolov5环境配置及训练coco128数据集
qq_57347782的博客
10-29 5372
yolov5搭建，训练coco128
YOLOv5模型训练_coco数据集yolov5
最新发布
m0_56169789的博客
07-23 441
如果没有对应目标的公开数据集，那就只有自己出手收集了，图片到手后，接下来就是艰辛的打标签工作了，的数据集实在是太大了，整个压缩包有18G，考虑到自己到的网速还有机器的算力，还是洗洗睡吧。打完标签后，就可以进行保存了，图片和标签文件我们分开存放，但是文件名是对应的，只是扩展名不同。做了图形化的界面，操作还是很方便的，这也是选择它的理由，它提供了默认的。下载下来是一个压缩包，解压后，文件夹内的文件结构是这样的。名称，就可以了，如果有多个目标，那就继续标。，选定目标后，会弹出输入框，写上。导入图片，按下快捷键。
yolov5训练coco128数据集和测试与检测
LoongEmbedded的专栏
11-28 1万+
yolov5训练coco数据集
coco128训练YOLOv5
qq_45828295的博客
07-26 2305
本文为记录自己学习coco128训练yolov5学习过程
YOLOv5训练coco128数据集流程
jameschen9051的博客
01-04 1万+
一、安装pytorch 1、创建虚拟环境 使用Anaconda安装，建议先创建一个虚拟环境。启动Anaconda Prompt，在命令行输入： conda create -name torch python==3.7.11 2、安装pytorch 进入pytorch官网，根据需要选择系统、安装包、语言和计算平台。 通过conda安装CPU版pytorch： conda install pytorch to...
coco128.zip
06-21
此数据集是coco数据集中前128张图片集合。属于比较小的训练集，方便拿来练手。yolov5 在训练的时候需要用到
YOLOv8环境搭建+训练自己的数据详细项目
m0_63172128的博客
08-01 2万+
直接按照路径会有问题，找到自己 requirements.txt 文件路径，我这里是pip install -r D:\ultralytics-main\ultralytics-main\requirements.txt。首先去自己的anaconda的安装的envs（虚拟环境），在导航栏输入cmd，进入命令窗口。到官方网站下载yolo模型 ，下载好后解压，里面有个文件requirements.txt。然后安装ultralytics ，这是必须的。
YoloV4 COCO数据集预训练权重
11-11
yoloV4网络下的COCO数据集预训练权重文件，正确率很高，可以作为迁移学习的先导权重文件，可以省去很多的训练事件。
手把手教你搭建YOLOV8+CUDA环境，训练自定义数据集，训练推理验证导出。小白也能看得懂的！
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-18 6123
YOLO（You Only Look Once）系列算法因其高效、准确等特点而备受瞩目。由2023年Ultralytics公司发布了YOLO的最新版本YOLOv8是结合前几代YOLO的基础上的一个融合改进版。本文主要介绍YOLOv8环境搭建/数据集获取/训练/推理/验证/导出/部署
coco2017数据集--训练集的txt标注文件，适用于yolov5训练
09-11
此文件是使用coco2017的训练集的原json标注格式转化为xml文件标注格式再转化为txt标注格式的所有图片的标注，共118287个txt文件
mini_coco128.zip
01-22
对coco128中的数据集挑选出只有人的图像，并且只保留人的标签，是适用于精度一般的检测人的训练集。
coco128数据集，图像识别的必备数据集
05-25
coco128数据集，图像识别的必备数据集
从零训练yolov5在COCO数据集上的模型和结果
04-25
本教程将详细介绍如何从零开始训练YOLOv5模型，并在COCO数据集上进行实践，以获取高质量的结果。 COCO（Common Objects in Context）数据集是目前最广泛使用的物体检测、分割和关键点标注的数据集之一，包含超过20...
从零开始手把手教你利用yolov5训练自己的数据集(含coco128数据集/yolov5权重文件国内下载）更新于20200728
热门推荐
ai_faker的博客
07-03 7万+
利用YOLOV5训练自己的数据 执行以下命令做好准备工作 git clone https://github.com/ultralytics/yolov5 # 下载 yolov5 项目 python3 -c "from yolov5.utils.google_utils import gdrive_download; gdrive_download('1n_oKgR81BJtqk75b00eAjdv03qVCQn2f','coco128.zip')" # 下载官方例子的数据集 cd yolov5 #进入yol
YOLOv5 COCO数据集 训练 | 【YOLOv5 训练】
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
09-26 1万+
COCO数据集下载、COCO数据集txt格式标签下载 通过 vim yolov5-master/data/scripts/get_coco.sh 可发现默认的数据路径安排如下： 通过 vim yolov5-master/data/coco.yaml 注释掉下载脚本：
yolov5训练coco128数据集
06-28
### 回答1： YoloV5是一种常用的目标检测算法，而COCO128是一个较小的COCO数据集子集，包含了128个类别。下面是使用YoloV5训练COCO128数据集的基本步骤： 1. 下载COCO128数据集，包括训练集、验证集和测试集。 2. 安装YoloV5，并将其与COCO128数据集集成。 3. 调整YoloV5的超参数，例如学习率、批量大小、训练时长等。 4. 对YoloV5进行训练，可以使用命令行工具或者使用现有的训练脚本。 5. 对训练结果进行评估和调优，查看模型的准确率和损失值，并对模型进行调整。 6. 最后，使用训练好的模型进行目标检测，可以将其集成到自己的应用程序或者服务中。 需要注意的是，训练一个准确率较高的模型需要耗费大量时间和计算资源，并且需要具备一定的编程和机器学习技能。如果您是初学者，可以从学习基础的目标检测算法和数据集开始，逐步提升自己的能力。 ### 回答2： Yolov5是一个非常流行的目标检测算法。它可以检测相对较小的物体，并且在准确率和速度之间取得了一个很好的平衡。COCO（Common Objects in Conex）数据集是一个广泛使用的目标检测数据集，包含了80种对象。在这篇文章中，我们将了解如何使用Yolov5来训练COCO128数据集。 COCO128数据集是COCO数据集的一个子集。它包含了128张图像，每张图像都有5种不同类的已标注目标。我们需要将它们分成训练和测试。我们可以使用提供的脚本将数据集转换为Yolov5所需的格式。 首先，我们需要下载Yolov5，并安装依赖关系。然后，我们可以使用COCO128的文件夹作为我们的数据集目录。我们需要在目录中创建3个txt文件，分别是train.txt，val.txt和test.txt，来存放训练、验证和测试集的文件名。我们可以使用以下命令获得文件名列表： ``` ls **/*.jpg > train.txt ``` 我们还需要创建一个class.names文件来存放数据集中所有类别的名称。在我们的情况下，我们需要将以下内容保存为class.names文件： ``` bird bus car cat dog ``` 然后，我们需要创建一个class_map.json文件，将COCO128数据集中的类别映射到Yolov5中。我们可以使用以下代码作为class_map.json文件的内容： ``` { "bird": 0, "bus": 1, "car": 2, "cat": 3, "dog": 4 } ``` 接下来，我们需要在Yolov5的配置文件中进行一些更改。我们需要将类别数目更改为5，并在训练和测试集中添加一些路径。我们可以使用以下命令修改Yolov5的配置文件： ``` nano yolov5/models/yolov5s.yaml ``` 我们可以在最后一行添加以下内容： ``` nc: 5 train: ../../dataset/coco128/train.txt val: ../../dataset/coco128/val.txt test: ../../dataset/coco128/test.txt ``` 现在我们准备开始训练了。我们可以使用以下命令开始训练： ``` python train.py --batch-size 16 --cfg models/yolov5s.yaml --data ../../dataset/coco128.yaml --weights weights/yolov5s.pt --cache --sync-bn ``` 通过运行上面的命令，我们可以使用大小为16的批处理，同步跨GPU进行训练，并将Yolov5s的预训练权重指定为yolov5s.pt。在训练期间，我们可以使用tensorboard来监视训练进度和模型性能。我们可以使用以下命令启动Tensorboard： ``` tensorboard --logdir runs ``` 最后，我们可以使用以下命令对模型进行测试： ``` python test.py --weights runs/train/exp/weights/best.pt --data ../../dataset/coco128.yaml --img 640 --conf 0.4 --iou 0.5 --task val --batch-size 16 ``` 在这个命令中，我们使用最佳的权重进行测试，并在测试时使用一个图像大小为640，置信度为0.4，重叠度为0.5的IOU阈值。我们还使用大小为16的批次。测试完成后，我们将得到一个JSON格式的输出文件，其中包含测试结果，包括指标和预测结果。 综上所述，这是如何训练COCO128数据集使用Yolov5的步骤。它涵盖了数据集转换，配置文件更改，训练，测试和性能评估。虽然在本文中我们使用的是COCO128数据集，但是如果您有足够的硬件资源，您也可以尝试使用完整的COCO数据集进行训练。 ### 回答3： YOLOv5是近年来应用最为广泛的目标检测算法之一，它是由Ultralytics开发的一种基于深度学习技术的目标检测算法。YOLOv5具有快速、高效、准确等特点，因而得到了广泛的应用。 在训练YOLOv5时，需要准备对应的数据集，其中包括图像及其对应的标注文件。以COCO128数据集为例，该数据集包含128张彩色图像，每张图像中包含一个目标，标注信息保存在JSON文件中。在进行训练之前，需要将COCO128数据集转化为YOLOv5需要的格式，即将标注信息转化为对应的坐标值与目标类别。 具体地，可以使用提供的pycocotools库中的相关函数来完成数据集的转化。然后，使用YOLOv5提供的训练脚本进行训练。在训练之前，可以选择使用预训练模型进行迁移学习，从而提高模型的收敛速度和准确性。此外，还可以根据需要调整模型的相关参数，如学习率、批次大小等。 在模型训练完成后，可以使用训练好的模型对新的图像进行目标检测，即通过给定一张图像，检测其中是否存在目标，并输出目标的类别、坐标等信息。此外，还可以评估模型的性能，如计算准确率、召回率等指标，从而对模型的性能进行评估和优化。 总之，训练YOLOv5模型需要准备对应的数据集和标注文件，进行数据预处理和格式转化，然后使用训练脚本进行模型训练。在训练完成后，可以使用训练好的模型进行目标检测，并对模型的性能进行评估和优化。
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

墨理学AI

不必打赏，关注博主公众号即可

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值