【 YOLOv5】目标检测 YOLOv5 开源代码项目调试与讲解实战（4）-自制数据集及训练（使用makesense标注数据集）

已于 2023-12-28 18:17:16 修改
阅读量1.6k 收藏 21
点赞数 18
文章标签： YOLO 目标检测 目标跟踪 学习 笔记
于 2023-12-28 17:26:46 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46050242/article/details/135272114
版权

如何制作和训练自己的数据集

看yolov5官网

在这里插入图片描述
首先是创建.yaml数据集
1）首先指明数据集的根目录在哪里，训练集，验证集，测试集他们文件夹的相对路径
2）指定训练中有多少个类
3）指定这些类代表什么含义
在这里插入图片描述

创建数据集

1.搜索需要的图片

这里名字最好保存为英文，保存在data下面
在这里插入图片描述

2.创建标签

标注数据集地址：

https://www.makesense.ai/

在这里插入图片描述

放入图片后选择目标检测

在这里插入图片描述

创建文档，每个标签写在单独的一行

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

上传结果

在这里插入图片描述
在这里插入图片描述

此处可以编辑类别

在这里插入图片描述
从上往下依次是
标签列表
导入图片
导入标注
导出标注
用训练好的检测

在这里插入图片描述
一般用矩阵标注

把车框选选择类别即可

在这里插入图片描述

导出数据

在这里插入图片描述
在这里插入图片描述
需要归一化
在这里插入图片描述

3.新建一个目录放数据

在这里插入图片描述

继续在该目录下新建
在这里插入图片描述
新建目录如图
在这里插入图片描述
把图片和标注的数据放入
在这里插入图片描述

写yaml文件

直接复制一个，并命名为mydata
在这里插入图片描述
在这里插入图片描述
更改如图
在这里插入图片描述
更改train.py里的数据集路径
在这里插入图片描述
开始训练
在这里插入图片描述

4. 测试训练效果

在这里插入图片描述
拷贝到 detect.py
在这里插入图片描述

在这里插入图片描述
更改后
在这里插入图片描述

点击运行
在这里插入图片描述

防止pychram检索数据集的方法

在这里插入图片描述

醉酒柴柴
关注
  • 18
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
YOLOv5-LibTorch:通过LibTorch C ++ API部署YOLOv5进行实时对象检测
05-08
通过LibTorch C ++ API部署YOLOv5进行实时对象检测 环境 Ubuntu 18.04 OpenCV 3.2.0 LibTorch 1.6.0 CMake 3.10.2 入门 安装OpenCV。 sudo apt-get install libopencv-dev 安装LibTorch。 wget ...
ros-yolov5-ws
07-14
在本项目"ros-yolov5-ws"中，我们将看到如何在ROS Melodic版本中集成YOLOv5，实现目标检测并发布处理后的数据。 首先，了解YOLOv5。YOLOv5是一种基于深度学习的一阶段目标检测框架，它能够直接从图像中预测边界框和...
YOLOv5(PyTorch)实战：训练自己的数据集(Windows)
10-09
YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而性能高，更加灵活和易用，当前非常流行。 本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。 本课程的YOLOv5使用ultralytics/yolov5，在Windows系统上做项目演示。包括：安装YOLOv5、标注自己的数据集、准备自己的数据集、修改配置文件、使用wandb训练可视化工具、训练自己的数据集、测试训练出的网络模型和性能统计。 希望学习Ubuntu上演示的同学，请前往 《YOLOv5(PyTorch)实战：训练自己的数据集(Ubuntu)》课程链接：https://edu.csdn.net/course/detail/30793  本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程，包括：《YOLOv5(PyTorch)目标检测实战：训练自己的数据集》Ubuntu系统 https://edu.csdn.net/course/detail/30793Windows系统 https://edu.csdn.net/course/detail/30923《YOLOv5(PyTorch)目标检测：原理与源码解析》课程链接：https://edu.csdn.net/course/detail/31428《YOLOv5目标检测实战：Flask Web部署》课程链接：https://edu.csdn.net/course/detail/31087《YOLOv5(PyTorch)目标检测实战：TensorRT加速部署》课程链接：https://edu.csdn.net/course/detail/32303《YOLOv5目标检测实战：Jetson Nano部署》课程链接：https://edu.csdn.net/course/detail/32451《YOLOv5+DeepSORT多目标跟踪与计数精讲》课程链接：https://edu.csdn.net/course/detail/32669《YOLOv5实战口罩佩戴检测》课程链接：https://edu.csdn.net/course/detail/32744《YOLOv5实战中国交通标志识别》课程链接：https://edu.csdn.net/course/detail/35209《YOLOv5实战垃圾分类目标检测》课程链接：https://edu.csdn.net/course/detail/35284       
YOLOv5实战训练自己的数据集(Windows和Ubuntu演示)
06-21
YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而高性能，更加灵活和易用，当前非常流行。 本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。  本课程的YOLOv5使用ultralytics/yolov5，在Windows和Ubuntu系统上分别做项目演示。包括：安装YOLOv5、标注自己的数据集、准备自己的数据集（自动划分训练集和验证集）、修改配置文件、使用wandb训练可视化工具、训练自己的数据集、测试训练出的网络模型和性能统计。 除本课程《YOLOv5实战训练自己的数据集(Windows和Ubuntu演示)》外，本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程，包括：《YOLOv5(PyTorch)目标检测：原理与源码解析》课程链接：https://edu.csdn.net/course/detail/31428《YOLOv5目标检测实战：Flask Web部署》课程链接：https://edu.csdn.net/course/detail/31087《YOLOv5(PyTorch)目标检测实战：TensorRT加速部署》课程链接：https://edu.csdn.net/course/detail/32303《YOLOv5目标检测实战：Jetson Nano部署》课程链接：https://edu.csdn.net/course/detail/32451《YOLOv5+DeepSORT多目标跟踪与计数精讲》课程链接：https://edu.csdn.net/course/detail/32669《YOLOv5实战口罩佩戴检测》课程链接：https://edu.csdn.net/course/detail/32744《YOLOv5实战中国交通标志识别》课程链接：https://edu.csdn.net/course/detail/35209 《YOLOv5实战垃圾分类目标检测》课程链接：https://edu.csdn.net/course/detail/35284  
深度学习检测算法YOLOv5的实战应用
最新发布
uncle_ll的博客
04-25 1098
yolov5实战及封装
YOLOV5实战教程（超级详细图文教程）！！！
qq_43450443的博客
04-04 1万+
1.本文的目的在于帮助读者实现yolov5的训练，测试以及使用，偏重应用，将有较少代码讲解2.本文将首先示范使用coco128数据集进行训练，向读者展示整个模型的使用过程，之后介绍如何制作自己的数据集并进行训练3.本文使用的数据集coco128放在网盘里了，如果没有这个数据集的话可以去网盘上下载，yolov5的环境配置可以参考站内其他文章。链接：https://pan.baidu.com/s/1MYSzPkPVUxpE1wt7zUxO0g提取码：8r4i。
make-sense | 图像标注工具
热门推荐
To_ChaRiver的博客
08-11 2万+
本文将简要介绍使用make-sense建立`YOLOv5 Object Detection`图像标签的完整步骤并提及使用过程中的注意事项。
【目标检测】yolov5简单实战
zgsdzzh的博客
01-29 1737
使用了CSP结构，将feature_map分为两个part，一个part用于继续使用网络处理，其余经过简单处理直接加在第一个part的输出上（整体与ResNet有区别，ResNet是整个加上去）yolov5的图片输入部分，使用了Mosaic进行数据增强，将几张图片融合在一起，丰富了检测目标的背景，同时在计算batch_size normalization 时计算更快。和yolov3，yolov4类似，生成多尺度的anchors，可以进行多尺度的预测。使用了FPN+PAN，可以进行高低层特征融合。
目标检测 - YOLOv5 项目实战
Warmer_Sweeter
11-23 4274
详细解释如何在自定义数据集上有效地训练目标检测算法 —— YOLOv5引言识别图像中的对象被认为是人脑的一项常见任务，但对于机器而言并非如此简单。照片中物体的识别和定位是一项称为“目标检测”的计算机视觉任务，过去几年出现了很多种算法来解决这个问题。迄今为止最流行的实时对象检测算法之一是 YOLO（You Only Look Once），最初由 Redmond 等人提出。在本教程中，您将学习如何使用...
人工智能-深度学习-使用yolov3-keras模型进行实时目标检测（基于Penn-Fudan Database行人数据集
04-03
使用yolov3_keras模型进行实时目标检测（基于Penn-Fudan Database行人数据集 使用方法： 通过以下命令将源项目克隆到本地工作目录 git clone https://github.com/qqwweee/keras-yolo3 下载此修改过的项目，复制到...
基于DeepStream6.0和yolov5-6.0的目标检测
01-30
基于DeepStream6.0和yolov5-6.0的目标检测 1、关于Yolov5n.engine模型的生成，参考 https://github.com/wang-xinyu/tensorrtx 2、关于调用deepstream部分，参考 ...
基于Yolov5车牌检测,更快更准.zip
03-03
检测模型的训练，结合了CCPD数据集跟我们自有的数据，能够做到更多车牌种类的支持。 Pytorch模型测试 Clone and install git clone .git Pytorch version 1.7.0 Python 3.8 python detect_plate.py 基于C++的...
基于RK1808S0计算棒做边缘推理-使用YoloV3的目标检测python源码+项目说明.zip
07-24
基于RK1808S0计算棒做边缘推理-使用YoloV3的目标检测python源码+项目说明.zip 该资源内项目源码是个人的毕设，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到94.5分，放心下载使用！ 该资源适合计算机...
深度学习领域gan算法在深海海星目标检测（带数据集）-3、gan-training-make-unlimited-cots
06-18
深度学习领域gan算法在深海海星目标检测（带数据集）--3、gan-training-make-unlimited-cots 数据集太大，可联系我下载。 语言：python 内容包括：源码、数据集、数据集描述 目的：使用gan算法在产品缺陷中目标检测...
基于Flask开发后端、VUE开发前端框架，在WEB端部署YOLOv5目标检测模型
02-05
本项目展示了如何利用Flask作为后端框架，Vue.js作为前端框架，以及YOLOv5作为目标检测模型，在Web端实现目标检测功能。以下是对这些关键技术的详细说明： **Flask**： Flask是一款轻量级的Python Web服务器网关...
YOLOv5实战+TensorRT部署+VS2019编译[全部软件下载]
08-30
5. 使用VS2019或CMake的make命令编译YOLOv5项目。 6. 将预训练的YOLOv5模型权重加载到项目中。 7. 使用TensorRT构建YOLOv5模型的解析器，生成优化后的引擎文件。 8. 运行测试程序，验证TensorRT部署的效果和速度提升...
YOLO-V5分类实战系列 —— 调优自己的数据集+RK1808部署
DAOCHI
07-17 6005
YOLO-V5分类实战系列 —— 调优自己的数据集 1、保存训练和测试图片 2、数据归一化 3、数据增强 3.1、数据增强库：albumentations 3.2、数据增强库：torchvision 4、ONNX CPU 推理 4.1、Pt 模型转为 ONNX 4.2、ONNX 推理验证 4.3、 ONNX CPU推理（C++） 5、RK 1808 部署 5.1、查看模型输入、输出名字 5.2、转换为RKNN模型 5.3、C++ 芯片部署 6、调优策略 6.1、数据标注 6.2、数据清洗 6.3、网络调优
【土堆】目标检测の入门实战——手把手教你使用 Make Sense 和 CVAT 在线标注 VOC 数据集与 COCO 数据集 & 用 PyTorch 读取自制 COCO 数据集
作者正在煮茶中...
11-21 3183
这是关于 PyTorch 深度学习目标检测的入门笔记，作者小白，请多指教！
使用Make Sense在线标注数据集
weixin_52470573的博客
09-29 7252
总的来说，Make Sense的基本使用就如上所说了，个人感觉虽然它可能不如一些其他熟知的标注功能快捷，但是Make Sense的优势在于它是一款免安装的标注工具，方便上手，只要能打开浏览器上网就行，对环境没有其他要求。
YOLOv5训练coco数据集
09-15
你好！要训练YOLOv5模型使用COCO数据集，你需要按照以下步骤进行操作： 1. 数据集准备：首先，从COCO官方网站（http://cocodataset.org/#download）下载COCO数据集的图片和标注文件。数据集分为训练集、验证集和测试集。 2. 数据集转换：将COCO数据集的标注文件转换为YOLO格式。YOLOv5要求标注文件的格式为每行一个目标，包括目标的类别和边界框的坐标。 3. 配置文件修改：修改YOLOv5的配置文件以适应COCO数据集。你需要指定数据集的路径、类别的数量等。 4. 模型训练：执行模型训练命令，例如使用命令行运行`python train.py --data coco.yaml --cfg yolov5s.yaml --weights ''`。这将开始训练YOLOv5模型，并使用COCO数据集进行训练。 5. 模型评估：训练完成后，你可以使用测试集对模型进行评估，检查其性能。 请记住，在训练模型之前，确保你已经安装了所需的依赖项，并按照YOLOv5的官方文档提供的指导进行操作。此外，还可以参考一些开源项目和教程，它们提供了更具体的细节和示例代码。祝你成功训练YOLOv5模型！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值