如何优雅的复现YOLOv5官方历程（一）

一、下载YOLOv5官方代码

下载网站：https://github.com/ultralytics/yolov5/tree/v5.0

注意：这里最好下载对应的v5.0版本，别的版本可能会出现奇奇怪怪的错误。
下载之后，解压，最终得到的文件夹内容应该是这样的：

二、准备数据集

1、下载VOC2007数据集

数据集百度网盘地址：
链接：https://pan.baidu.com/s/1JaorrGVczVFdHSmpuHml0A 
提取码：lhpl

2、准备数据

（1）挑选数据

你可以从VOC2007中挑选出若干张图片（我选择10张），从Annotations和JPEGImages中分别挑选10个文件。

（2）在训练文件夹下创建数据集格式

在刚才下载的YOLOv5文件夹下新建文件夹如下格式：

将挑选的数据按照格式放入文件夹，图片放入JPEGImages，Xml文件就放入Annotations中。

3、制作数据集

运行voc_to_yolo.py文件，这里的文件链接：

链接：https://pan.baidu.com/s/1tHb6wrSFudDxWJ-T-RppfA 
提取码：lhpl

这里需要更改的地方：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import random
from shutil import copyfile

'''classes = ["aeroplane", "bicycle", "bird", "boat", "bottle","bus","car","cat",
           "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person",
           "pottedplant", "sheep", "sofa", "train", "tvmonitor"]'''
classes = ["head"]							# 表示类别，如果是VOC数据集的话，就使用上边的classes
# classes=["ball"]

TRAIN_RATIO = 70						# 表示训练集和测试集的比例，可以自行更改

更改之后，运行，最终得到的数据集格式如图所示：

这里的images是训练所用的图片数据集，labels就是训练所用的标签数据集，在这里可以把labels中的文件打开看一下，是否正常，一般不为空。

三、训练

1、更改voc.yaml

data/voc.yaml要更改为和数据集一样的格式，其中的要更改的地方如下所示：

# PASCAL VOC dataset http://host.robots.ox.ac.uk/pascal/VOC/
# Train command: python train.py --data voc.yaml
# Default dataset location is next to /yolov5:
#   /parent_folder
#     /VOC
#     /yolov5


# download command/URL (optional)
download: bash data/scripts/get_voc.sh

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: VOCdevkit/images/train/  # 16551 images
val: VOCdevkit/images/val/  # 4952 images

# 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' ]					
names: [ 'head' ]

需要更改的一般是路径(train / val)、类别数（nc）、以及names.

2、更改train.py中的参数

在这里插入代码片

    parser.add_argument('--weights', type=str, default='weights/yolov5m.pt', help='initial weights path')			# 预训练权重，需要从官网下载一个，这里我使用的是YOLOv5m.pt						
    parser.add_argument('--cfg', type=str, default='models/yolov5m.yaml', help='model.yaml path')					# 这里最好设置和预训练权重一致，但也可以不设置
    parser.add_argument('--data', type=str, default='data/voc.yaml', help='data.yaml path')							# voc数据集的超参数，把路径放入
    parser.add_argument('--hyp', type=str, default='data/hyp.scratch.yaml', help='hyperparameters path')
    parser.add_argument('--epochs', type=int, default=300)															# 迭代次数，一般大于100
    parser.add_argument('--batch-size', type=int, default=1, help='total batch size for all GPUs')					# batch_size，根据电脑性能设置
    parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes')
    parser.add_argument('--rect', action='store_true', help='rectangular training')
    parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
    parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
    parser.add_argument('--notest', action='store_true', help='only test final epoch')
    parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')
    parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters')
    parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
    parser.add_argument('--cache-images', action='store_true', help='cache images for faster training')
    parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
    parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
    parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')
    parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
    parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')
    parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers')
    parser.add_argument('--project', default='runs/train', help='save to project/name')
    parser.add_argument('--entity', default=None, help='W&B entity')
    parser.add_argument('--name', default='exp', help='save to project/name')
    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
    parser.add_argument('--quad', action='store_true', help='quad dataloader')
    parser.add_argument('--linear-lr', action='store_true', help='linear LR')
    parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
    parser.add_argument('--upload_dataset', action='store_true', help='Upload dataset as W&B artifact table')
    parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval for W&B')
    parser.add_argument('--save_period', type=int, default=-1, help='Log model after every "save_period" epoch')
    parser.add_argument('--artifact_alias', type=str, default="latest", help='version of dataset artifact to be used')
    opt = parser.parse_args()

需要更改的地方已经全部设置完毕，没有标出的，就是不需要设置的地方，到这里可以运行一下试试。

3、运行

如图所示，出现进度条才表示训练成功，如果没有的话，就说明训练出错。