跑跑yolov5吧

跑跑yolov5

如果只是要快速上手训练得到训练结果，我的建议是直接使用b导的代码。别问为什么，问就是我是b导小迷弟！！
但是
b导的代码好像是自己写的，会存在：下载的权重文件是pth，最后得到的文件是pth文件 的问题 因为我想要用来跑自动标注需要的是pt文件，其实可能只是我自己不会转换hhh

基本上可以分为一下四个步骤：环境配置，数据集制作，yolov5文档修改以训练，预测。我主要讲数据集制作，yolov5文档修改。因为踩了比较多的坑hhhh

（1）使用labelimg数据集制作

yolov5不接受xml文档，但是网上很奇怪的就是大部分博主都喜欢“曲线救yolov5”（先制作xml，在转化成txt）

直接改成yolov5支持的yolo格式他不香嘛！！！

我只有一个类要训练所以我干脆就直接开了这些！！！

①Auto SAVE Mode：不开这个每次都得按s保存，不然就会有弹窗提醒
但是开这个也是有风险的，可能会出现手速过快跳了一张两张图片（不要问我怎么知道的的）
②Single Class Mode：因为我只有一个类，使用这个就不用去选

后面我如果还记得的话我就写一个检查标签少标注的脚本吧hhhhh

③Display Label：展示标签名字
这个的好处是如果不是眼瞎的话，大概率可以避免重复标注！！

（2）yolov5文档修改

先说一下新创建的文件夹结构

修改yaml文件

因为我懒，所以我没有重新创建yaml文件，我是直接在data/coco128.yaml文件夹中修改的

1. 改路径（文件路径，训练集路径，val路径）
   直接pycharm选定文件夹右键copy path–>absolute path,绝对路径不容易报错
2. 改nc（标签数量），name（标签名字)

修改train文件

定位到parse_opt，只讲修改的文件（错了再说）

1. 改pt （绝对路径不容易报错）

 parser.add_argument('--weights', type=str, default=ROOT / 'D:/computervision/deep_learning_model/yolov5-6.1/yolov5s.pt', help='initial weights path')

2. –data

parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')

3. –epochs
   我训练的数据集比较小，–epochs一定一定要放小，不然容易过拟合

parser.add_argument('--epochs', type=int, default=100)

跑yolov5又出了什么错

随口提一嘴：真的很讨厌红色提示和报错一个shai！！！

（1）错误报告1：TensorBoard logging requires TensorBoard version 1.15 or above

实际上我的版本我是超过2.6，估计是另一个依赖包出了问题

1. 先检查有没有下载tensorboard
   在环境中输入下面这条命令，检查有没有tensorboard

conda list

2. 如果版本已经超过1.15，那就来这个网址下
   或者是直接在命令行下

pip install tb-nightly==2.8.0a20220120

到这里我基本上基本上就ok了

（2）错误报告2:AssertionError: No images found in ×××××

这个错误就放的有点蠢，我是将标签的文件夹放到了“val"后面，然后就就显示没有找到图片

留个小问题：yolo怎么得到标签文件？

检查一下yolov5的训练结果吧

我提前终止了所以我的文件会比别家的少。

从下往上看：

1. 三张训练结果图
2. result.csv
   从左到右第一行依次是①epoch，
   ②train/box_loss，③train/obj_loss，④train/cls_loss，
   ⑤metrics/precision，⑥metrics/recall，⑦metrics/mAP_0.5，⑧metrics/mAP_0.5:0.95，
   ⑨val/box_loss，⑩val/obj_loss， ①①val/cls_loss，
   ①②x/lr0，①③x/lr1，①④x/lr2
   

(1)train：训练集；val：验证集
(2) cls_loss用于监督类别分类，box_loss用于监督检测框的回归，obj_loss用于监督grid中是否存在物体。(可以看看这个博主的讲的比较细)
(3)！！！！！主要看这个！！！！！
mAP_0.5 : IoU设为0.5时，计算每一类的所有图片的AP，然后所有类别求平均，即mAP
mAP_0.5:0.95 : 表示在不同IoU阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP。

1. opt.yaml
   配置文件没啥好说的
   
2. hyp.yaml
   估计是超参数
   
3. 还有就是权重文件了

看到一篇博文对于train参数讲的很好就想记录一下
（1）“–image-weights”
是否启用加权图像策略，默认是不开启的；主要是为了解决样本不平衡问题；开启后会对于上一轮训练效果不好的图片，在下一轮中增加一些权重；

(2)“–label-smoothing”
是否对标签进行平滑处理，默认是不启用的；

在训练样本中，我们并不能保证所有sample都标注正确，如果某个样本标注错误，就可能产生负面印象，如果我们有办法“告诉”模型，样本的标签不一定正确，那么训练出来的模型对于少量的样本错误就会有“免疫力”采用随机化的标签作为训练数据时，损失函数有1-ε的概率与上面的式子相同，比如说告诉模型只有0.95概率是那个标签。