YOLOv5学习笔记（二）

本文结合小土堆的教学视频目标检测 YOLOv5 开源代码项目调试与讲解实战进行学习

一、如何训练YOLOv5 神经网络

train.py  文件分析【  parse_opt()  函数下的参数分析】

parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')

weights：指定训练模型。default 的值可以有 yolov5s.pt、yolov5m.pt、yolov5n.pt、yolov5l.pt、yolov5x.pt 以及自己训练的模型

parser.add_argument('--cfg', type=str, default='', help='model.yaml path')

cfg：指定模型参数配置，依据模型选择对应的配置文件。default 的值可以有 yolov5s.yaml、yolov5m.yaml、yolov5n.yaml、yolov5l.yaml、yolov5x.yaml

parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')

data：指定要训练的数据集。default 的值可以有 Argoverse.yaml、coco.yaml、coco128-seg.yaml、coco128.yaml、GlobalWheat2020.yaml、lmageNet.yaml、Objects365.yaml、SKU-110K.yaml、VisDrone.yaml、voc.yaml、xView.yaml

parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')

hyp：超参数，对模型进行微调。default 的值在 data/hyps/ 目录下

parser.add_argument('--epochs', type=int, default=100, help='total training epochs')

epochs：指定训练的轮数

二、自制数据集及训练

进入打标工具 https://www.makesense.ai/ ，然后上传要打标的图像数据，选择目标检测，如下所示

选择要标注的物体进行标注，如下选择汽车，并给与标签car

也可以选择 AI 模型进行自动标注，如下选择 COCO SSD 进行自动标注，标注好后选择添加

最后全部标注好后，将标注数据导出，如下选择 YOLO 模型数据形式

将图像和标注数据拷贝到对应的目录下，并添加对应的配置文件

mydata.yaml 文件的内容如下

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../mydata  # dataset root dir
train: images/train  # train images (relative to 'path') 128 images
val: images/train  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes
names:
  0: car
  1: person