yolov5实战之皮卡丘检测

修改或新建dataset.yaml
在data目录下，我们可以看到一个coco.yaml，内容如下：

COCO 2017 dataset http://cocodataset.org - first 128 training images

Train command: python train.py --data coco128.yaml

Default dataset location is next to /yolov5:

/parent_folder

/coco128

/yolov5

download command/URL (optional)

download: https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip

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

train: ./data/coco128/images/train2017/ # 训练集图片路径
val: ./data/coco128/images/train2017/ # 验证集图片路径

number of classes，类别数

nc: 80

class names，类别名

names: [‘person’, ‘bicycle’, ‘car’, ‘motorcycle’, ‘airplane’, ‘bus’, ‘train’, ‘truck’, ‘boat’, ‘traffic light’,
‘fire hydrant’, ‘stop sign’, ‘parking meter’, ‘bench’, ‘bird’, ‘cat’, ‘dog’, ‘horse’, ‘sheep’, ‘cow’,
‘elephant’, ‘bear’, ‘zebra’, ‘giraffe’, ‘backpack’, ‘umbrella’, ‘handbag’, ‘tie’, ‘suitcase’, ‘frisbee’,
‘skis’, ‘snowboard’, ‘sports ball’, ‘kite’, ‘baseball bat’, ‘baseball glove’, ‘skateboard’, ‘surfboard’,
‘tennis racket’, ‘bottle’, ‘wine glass’, ‘cup’, ‘fork’, ‘knife’, ‘spoon’, ‘bowl’, ‘banana’, ‘apple’,
‘sandwich’, ‘orange’, ‘broccoli’, ‘carrot’, ‘hot dog’, ‘pizza’, ‘donut’, ‘cake’, ‘chair’, ‘couch’,
‘potted plant’, ‘bed’, ‘dining table’, ‘toilet’, ‘tv’, ‘laptop’, ‘mouse’, ‘remote’, ‘keyboard’, ‘cell phone’,
‘microwave’, ‘oven’, ‘toaster’, ‘sink’, ‘refrigerator’, ‘book’, ‘clock’, ‘vase’, ‘scissors’, ‘teddy bear’,
‘hair drier’, ‘toothbrush’]
仿照这个格式，建立皮卡丘数据集的配置文件：

COCO 2017 dataset http://cocodataset.org - first 128 training images

Train command: python train.py --data coco128.yaml

Default dataset location is next to /yolov5:

/parent_folder

/coco128

/yolov5

download command/URL (optional)

download: https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip

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

train: ./data/pikachu/images/train/ # 128 images
val: ./data/pikachu/images/val/ # 128 images

number of classes

nc: 1

class names

names: [‘pikachu’]

训练参数配置
训练参数配置在data/hyp.finetune.yaml和hyp.scratch.yaml中，前者是finetune用的，后者是从头训练的。这次我们直接用hyp.finetune.yaml，先不做修改。

模型配置
模型配置在models/yolov5s.yaml中。目前也不做修改。

开始训练
训练使用train.py脚本，主要参数有：

–weights 预训练权重，“”表示从头训
–cfg 模型配置文件路径
–data 数据配置文件路径
–hyp 训练参数配置文件路径
–epochs 训练的epoch数
–batch-size
–img-size 网络的输入大小
–noautoanchor 是否自动计算anchor
–device 设备号
–workers dataloader线程数
还有很多其他参数，不过暂时用不上就先不管了,执行以下命令可开始训练，脚本会自动去下载yolov5s的预训练权重进行训练。

python train.py --weights yolov5.pt --data data/pikachu.yaml --hyp data/hyp.finetune.yaml --epochs 40 --img-size 320 --device 0 --batch-size 512
可视化
yolov5里面有两种可视化方式，一种是tensorboard, 一种是wandb。
其中wandb有两种使用方式，一种是到https://wandb.ai/home注册一个账号，在线使用。注册后新建项目,名字叫yolov5，然后本地安装配置wandb, 按提示输入必要的信息（API Key):

pip install wandb
wandb login
那么训练时就可以在自己的项目中看到如下画面，还是挺不错的，功能挺丰富：
image
不过这个USB Microphone https://www.soft-voice.com/
Wooden Speakers https://www.zeshuiplatform.com/
亚马逊测评 www.yisuping.cn
深圳网站建设www.sz886.com
网站挺卡的，好在wandb也有本地使用方式。