windows下训练yolov5

windows下训练yolov5

1. 安装所需要的环境

如果我们经常调用别人的代码，那么不同代码所需要的环境基本上都是不同的，所以一定要对于每一个代码（你经常跑的话）创建一个独立的虚拟环境

conda create -n yolov5 python=3.8  # 创建虚拟环境python版本为3.8

# 安装pytorch的gpu版本，注意这里有个疑问，cuda和cudnn需不需要重新安装呢？或者需不需要安装？
# 去pytorch官网根据CUDA支持的版本，只要不超过就行，低于支持版本是可以的，选择相应的命令。
# 经过测试我的CUDA版本和cudnn都是11.1，并且好像是不需要安装cuda和cudnn的，直接用pytorch上面的命令好像就可以了，后面有新的结论会修改的。这里不是很确定，因为我的CUDA是自己电脑安好的，cudnn没安装，并且我的cuda是11.1版本，但是pytorch的gpu版本不需要选择11的，或者是只要在一个虚拟环境中安装cuda和cudnn，其他的环境中就不要安装了？

pip install torch===1.7.1 torchvision===0.8.2 torchaudio===0.7.2 -f https://download.pytorch.org/whl/torch_stable.html

# 安装requirement.txt，注意这里requirement.txt文件需要放在你当前终端所在目录，如果之前下载源下载慢的话可以用这里的豆瓣源即加上-i https://pypi.douban.com/simple/
pip install  -i https://pypi.douban.com/simple/ -U -r requirements.txt

2. 测试一下环境是否正确

# yolov5s.pt是模型权重，需要下载之后放在yolov5-master中
python detect.py --source data/images/bus.jpg --weights yolov5s.pt

3. 制作自己的数据集

参考yolov5数据集制作

4. 修改配置文件

必须修改的文件有两个，一个是配置链接数据集的文件data/你的数据集名字.yaml,具体内容就三部分：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-KIdxcm63-1611320915909)(C:\Users\rain\AppData\Roaming\Typora\typora-user-images\image-20210122204957221.png)]

train后面是训练集路径，val后面是验证集路径，nc是类别数，names是具体的类别名称。

另外一个需要修改的是权重文件models/yolov5s.yaml中的类别。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-POECDfk1-1611320915911)(C:\Users\rain\AppData\Roaming\Typora\typora-user-images\image-20210122205350435.png)]

将nc修改为自己的类别数量。

5. 开始训练

# 训练代码，--weights后面的是权重文件，你也可以不加，直接写为''，不过这样训练会很慢，需要很多次数，--epochs后面是训练次数，--img是图片统一尺寸到640*640，--batch是一个batch数量，注意这里默认是16，如果你的计算机内存较小，需要改小一些，这里我的是4。
python train.py --img 640 --batch 4 --epochs 150 --data data/F4k_RGHS.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt

# 测试代码
python detect.py --sources 要测试的图片路径 --weights 训练好的权重`在这里插入代码片`

##
![修改检测框的粗细，越小越小细](https://img-blog.csdnimg.cn/20210223134230398.png)