目标检测--yolov5制作和训练自己的数据集

官方参考：Train Custom Data · ultralytics/yolov5 Wiki · GitHub

目录

1、标注数据

 2、修改yolov5配置文件

3、在视频和图片上添加识别的数量和类别（计数暂时不会）

4、本地配置完毕能训练了，放到平台上跑

---

1、标注数据

采用makesense.ai网站进行数据标注

Make Sense

将图片上传到网站，并且选择目标检测

 创建新标签，也可以直接在txt文件里写好直接导入

 对图片进行标注

标注完成后点击Actions--Export 输出标签，需要哪种形式的标签就选哪个

 可以按照我这样，新建文件夹，放入图片和标签，在test和train都放入图片和标签

 2、修改yolov5配置文件

复制一份coco.yaml改名为自己的配置文件，修改训练集和测试集路径，类别数和类别名称，类别名称的顺序有讲究，和上边创建标签时的顺序一样（标签还得是英文，中文报错了）

 然后修改train的main函数里的data这一项为我们自己的配置文件，修改完成后即可运行

 运行结果保存在runs--train--新的exp下，其中best.pt为精度最高的模型，last为最新训练的模型，可以在detect中来用我们训练好的模型预测

效果还不错，最后我用的是40张图片训练，10张图片测试，200轮

视频参考

3、在视频和图片上添加识别的数量和类别（计数暂时不会）

首先在detect.py中找到这一行，加上一个输出识别的变量s_output

然后找到下面,按照上边s的写法，我们添加s_output

s_output += f"{n} {names[int(c)]}{'s' * (n > 1)} "

 找到下边，在if save_img后添加，最后运行即可，exp中的图片和视频就会显示识别效果

cv2.putText(im0, f"{s_output}", (5, 50), cv2.FONT_HERSHEY_SIMPLEX, 1.2,(0, 0, 255), 2)

4、本地配置完毕能训练了，放到平台上跑

需要把datasets中的train文件夹下和val文件夹下的cahe文件删除（保留的是上一次运行成功后的路径，运行train时不会再次扫描图片和标签），在重新配置路径才能运行成功

| [](http://www.relxdingyilang.cn/) | [点击访问博客查看更多内容](http://www.relxdingyilang.cn/) |
|------------------------------------------|-- |