YOLO v5 代码解读及训练、测试实操

YOLO v5 代码解读及训练、测试实操

带你了解YOLO v5代码，尽可能做的详细一点

---

---

前言

YOLO v4和v5几乎差不多时间出世，有人觉得Ultralytics装了波逼，v5称不上v4的下一个版本，但当你仔细研读一下代码，并且亲自尝试一下后会发现代码易读，整合了大量的计算机视觉技术，非常有利于学习和借鉴，而且作为工业落地应用有很大的借鉴性。综合对比v4和v5，v5的性能会比v4偏低点，但在灵活性与速度上远强于YOLO V4，在模型的快速部署上具有极强优势。

---

下面开始正式解读一下吧

一、模型训练前期准备

第一步肯定是数据集的准备，正常的图像标注软件（labelimg、labelme、精灵）都可，生成xml文件，但xml文件并不是最终喂入模型的数据，需要转换成适合的txt文件（具体代码见博主之前的博文：https://blog.csdn.net/weixin_43337201/article/details/109102429），最终模型需要的两部分：images、labels，我们放到两个文件夹下，同时你可以分为训练集和测试集。

第二步，准备一下你的yaml文件，参照coco.yaml进行改造的score.yaml：

#训练集/测试集路径
train: yolov5/dataset/images/train/
test: yolov5/dataset/images/test/
# number of classes
nc: 20
# class names
names: ['aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable', 'dog', 'horse', 'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor']

第三步，由于YOLO v5分为x/l/m/s四个模型，相应地就存在四个预训练的权重文件，从下图可以看出来，从x到s，性能越来好，但速度越来越慢。确定选定那个模型后记得去起对应的yaml文件下改一下nc的值成你自定义数据的类别数即可，yaml文件的位置是models/yolov5x.yaml，

二、正式训练

1.输入参数

参数传入部分：

    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default='weights/yolov5x.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default='models/yolov5x.yaml', help='model.yaml path')
    parser.add_argument('--data',