YOLOV5：在本地电脑训练模型

相关文章

一、Python入门环境配置：Anaconda3与pycharm安装教程

二、labelimg应用：数据集标记

三、Windows下搭建Pytorch环境(CPU 版）

四、Windows下搭建Pytorch环境（超详细）

---

---

一、YOLOV5环境搭建

(官方要求：python>=3.6.0，pytorch>=1.7）

• YOLOV5 GitHub地址：https://github.com/ultralytics/yolov5

---

1、下载整个项目到本地桌面

---

2、【点击】

---

3、拉到页面最下面，下载模型文件 到yolov5 目录

---

4、安装yolov5所需要的库

• 方法一（此方法较慢）：

  右键 requirements.txt 【属性】，复制【位置】
  

  快捷键：Ctrl + r 打开 cmd ， cd 到requirements.txt 所在的目录
  

  输入 pip install -r requirements.txt 指令，然后等待安装即可
  

---

• 方法二（利用国内镜像源下载requirements.txt的所需库，速度较快）：

  同上，右键 requirements.txt 【属性】，复制【位置】

  cd 转到 requirements.txt 目录
  

  输入pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple,然后等待安装即可
  

---

二、数据集准备

1. 在 YOLOv5目录 下 新建一个文件夹 train_data
   

   在 train_data 内再新建文件夹，结构如下：

   						 ———— trian	   
   					    |
   			———— images -
   		   |		    |
        	   |		     ———— val       
   train_data-
   	   	   |		 	 ———— train
   	   	   |		    |
   	        ———— labels -
   	    		   	    |
   	    		         ———— val
   

   解释:
   train_data\images\train 下存放训练集
   train_data\images\val 下存放验证集
   train_data\labels\train 下存放训练集的标签.txt 文件
   train_data\labels\val 下存放验证集的标签 .txt 文件

把你的搜集的全部图片数据集先放在 train_data\images\train 里面

---

2. 用python脚本将图片 重命名 和 分割

   在 train_data\images\ 路径下 新建一个rename.py (一定要放在此路径下）
   

   把下面代码粘贴进去,运行代码

   import os
   import random
   import shutil
   
   class Dataset_split():
   	def __init__(self):
       	self.train_path= os.getcwd()+ r'/train/'
       	self.val_path = os.getcwd()+ r'/val/'
   
   	def split_train_val(self,train_ratio=0.8,val_ratio=0.2):
       	"""
       	数据集图片分割
       	:param train_ratio: 训练集比例（可更改，默认0.8）
       	:param val_ratio: 验证集比例（可更改，默认0.2）
       	:return:
       	"""
       	filelist = os.listdir(self.train_path)
       	pic_num = len(filelist)
       	num =[q for q in range(0,pic_num)]
       	index = random.sample(num,int(val_ratio*pic_num))
       	for i in index:
           	src = self.train_path+filelist[i]
           	dst = self.val_path+filelist[i]
           	shutil.copy(src,dst)
       	for i in index:
           	src = self.train_path + filelist[i]
           	os.remove(src)
   
   
   	def rename(self,filename):
       	"""
       	文件重命名
       	:param filename: 当前目录文件名
       	:return:
       	"""
       	nowdir = os.getcwd() + '/' +filename + '/'
       	filelist = os.listdir(nowdir)
       	num = len(filelist)
       	i = 0
       	for item in filelist:
            	if item.endswith('.jpg') or item.endswith('jpeg'):
               	src= nowdir + item
               	dst =nowdir + str(i) + os.path.splitext(item)[-1]
               	os.rename(src, dst)
               	i = i + 1
   
   
   
   
   if __name__ == '__main__':
   	a=Dataset_split()
   	a.split_train_val()
   	a.rename('train')
   	a.rename('val')
   

   效果：
   
   

---

3. 用 labelimg 标注图片

   对整理好的图片进行标注，不会用labelimg的看这篇文章：https://blog.csdn.net/weixin_44630522/article/details/122441572

   要将 train_data\images\train 的图片对应的标签文件保存到 train_data\labels\train 下。

   同理，train_data\images\val的图片对应的标签文件保存到 train_data\labels\val 下。

---

三、配置文件

1. data文件配置

   在 yolov5-master\data 目录下新建一个 xxx.yaml 文件（我这里建立pen.yaml 做演示）
   

   把代码粘贴进 pen.yaml ，然后Ctrl + s 保存

   path: ../train_data  # dataset root dir
   train: images/train  # train images (relative to 'path') 
   val: images/val  # val images (relative to 'path') 
   
   # Classes
   nc: 1  # number of classes
   names: ['pen']  # class names
   

   解释：
   path：存放数据集的根目录
   train: 根目录下存放的训练集路径
   val：根目录下存放的验证集路径
   nc: 类的数量（标注了多少种类就填多少）
   names:类的名称

---

2. models文件配置

   接着在 yolov5-master\models 目录下
   复制一份你要使用的模型配置（我这里打算用yolov5s来训练）
   

   打开文件，修改 nc：数量 （标注了多少种类就填多少）
   Ctrl + s 保存
   

   修改一下文件名(下图是修改后)
   

---

3. train.py配置

   打开 train.py
   

   代码往下拉，重点修改
   --weights对应 权重文件
   --cfg 对应 model配置文件
   --data 对应 data配置文件
   (可根据自己的需求修改其他参数，具体看 help= )
   

   
   Ctrl + s 保存

---

四、训练模型

1. （方法一：）直接运行修改后的 train.py 程序

2. （方法二：）快捷键：win + r 打开 cmd ， cd 到 yolov5的目录下，（可右键train.py【属性】 复制 【位置】）, 然后 输入 train.py 回车即可
   
   

   训练完后yolov5文件夹内会生成 runs 文件夹，权重文件在 ...\runs\train\exp\weights 中，best.pt和last.pt 代表 最佳效果模型 和 最后训练模型。

五、测试模型

打开目录下的 detect.py

（修改前）

--weights对应 你训练的权重文件（自行修改路径）
--source 对应 你要检测的图片（自行修改路径）
--data 对应 data配置文件（自行修改路径）
（修改后）

直接运行 detect.py 程序即可

如有错误之处，欢迎指正 O(∩_∩)O