[Yolov5]模型选择，参数修改，目标检测，训练数据集以及训练自己数据集全过程。

目录

小样本成果展示

Cuda11.4+Cudnn8.2.4

1.Yolov5模型与像素大小。

2.常用参数

        a.detect.py

        b.train.py

3.如何目标检测

        a.Pycharm

        b.Linux

4.如何训练别人数据集

5.如何训练属于自己的数据集

        a.Roboflow: Give your software the power to see objects in images and video

        b.修改下面参数，选择需要训练的模型，

        c.会在这个路径下产生两个.pt，一个是best一个last

        d.最后将这个训练完的best.pt放到detect.py作为一个权重文件，最后直接run行了。

6.云端GPU训练数据集。

        a.https://colab.research.google.com

        b.上传自己yolo包。

        c.

        d.将训练完成的的best.pt下载下来，替换detect的权重路径即可。

小样本成果展示

华北理工一角yolov5检测

说在前面一些配置

Cuda11.4+Cudnn8.2.4

1.Yolov5模型与像素大小。

2.常用参数

        a.detect.py

        ‘--weights’  #选择网络模型，路径选择.pt文件

        ‘--source’  #待检测图片路径

        b.train.py

        '--weights'   #选择网络模型

        '--cfg'       #关于模型的配置，可修改为model下的.yaml

        '--data'      #可修改为data下的.yaml一些数据集

        '--hyp'      #超参数，用于对应模型的微调

        '--epochs'   #训练多少轮

        '--batch-size'  #尽量调小一点，最好是2的幂次方

        '--imgsz', '--img', '--img-size'#

        '--rect'      #矩阵，满足网络模型要求，对图像进行部分填充，最小填充

        '--resume'   #在某一模型基础上继续训练，指定之前训练的last.pt

        '--noautoanchor' #默认开启锚点

        '--evolve'    #寻找最优秀参数的方式

        '--bucket'

        '--cache'            #是否对图片进行缓存

        '--image-weights'

        '--device''--multi-scale'  #图片尺寸变换

        '--single-cls'

        '--adam'             #选择优化器

        '--project'            #项目默认保存位置

        '--quad'

        '--linear-lr'            #以线性方式学习

3.如何目标检测

        a.Pycharm

            直接选择需要的模型权重，待检测图片路径以及以及（如果需要的话）修改上述其他参数

        b.Linux

           Python 待运行.py --参数1 参数值 --参数2 参数值

           Ex：python val.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65

4.如何训练别人数据集

        修改以下参数，直接运行就行，Linux同上。

        '--weights' #选择网络模型.pt
        '--cfg'    #关于模型的配置，可修改为model下的.yaml
        '--data'   #可修改为data下的.yaml一些数据集

5.如何训练属于自己的数据集

        a.Roboflow: Give your software the power to see objects in images and video

到这个网址训练自己的数据集。

记得导出为yolo格式，解压后如下图。

        b.修改下面参数，选择需要训练的模型，

但是记得weights和cfg也就是选择的网络模型要与配置的.yaml对应。

'--data'      #可修改为data下的.yaml一些数据集

(这个要选择自己在上述网站做好的训练配置，比如这个地方是)

parser.add_argument('--data', type=str, default=ROOT / 'mydata.v1i.yolov5pytorch/data.yaml', help='dataset.yaml path')

        c.会在这个路径下产生两个.pt，一个是best一个last

'runs/train/exp7/weights/best.pt'

        d.最后将这个训练完的best.pt放到detect.py作为一个权重文件，最后直接run行了。

6.云端GPU训练数据集。

        a.https://colab.research.google.com

        b.上传自己yolo包。

        c.

!unzip /content/yolov5-6.0.zip -d /content/yolov5 OR tar -zxvf /content/yolov5-6.0.tar -d /content/yolov5

%cd /content/yolov5/yolov5-6.0

!pip install -r requirements.txt

%load_ext tensorboard

%tensorboard --logdir=runs/data

!python train.py --rect

!python train.py --rect  --data=data/coco.yaml        //或者指定其他数据集

        d.将训练完成的的best.pt下载下来，替换detect的权重路径即可。