yolov5解读，训练，复现

小白的第一篇csdn...最近在准备小论文，大概率是目标检测方向了，没经验，慢慢学，本文只是跟着b站的天才up主一起训练和复现，这里只是我记录yolov5的学习历程，都是大白话，没有专业术语，肯定也会说错很多东西，但是我都想记录在这里，这样就不会忘记啦，如果有幸被人刷到我的博客，也请多多指点，多多交流！

one step: 先去github上把官方的yolov5的代码都拉下来了  链接如下：GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

一、几种数据增强的方法

正文之前：  提一下rectangular

up主解释了一下，这是yolov5中为了加快模型训练而采取的一种策略

在原来的训练数据过程中，由于每张图片宽和高不相同，而我们会将每张图片shape到一个固定的大小，这样一来，不同尺寸的图片就可以丢到同一个batch中进行训练了。但是有些图片进行resize后会出现黑边，这种黑边会影响我们训练和预测的速度。

基于原来的现象，在yolov5中进行了改进，也就是说在同一个batch里面尽可能的保证每张图片保留自己的shape（宽高），满足这个batch中的所有图片都会有较小的黑边，如最后一张狗狗图，它在某一个batch中最后的shape是520*640，这样一来，它能减少的计算量是非常可观的。

这里不得不说，up主真的很良心，把所有的数据增强的实例都放在这个这个jupyter上面，大家可以去这个github上自行搜索一下：yolov5_in_tf2_keras/data at master · yyccR/yolov5_in_tf2_keras · GitHub

 配合up主的讲解食用效果更佳~：2. 数据增强细节_哔哩哔哩_bilibili

ok 写到这里，我突然发现这个up主讲的我有些听不懂了，于是我又去寻觅一个讲的更接地气一点的up主：我是土堆  突然发现从一开始 他就真的讲的好细致，推荐推荐推荐!!!! 不过上述讲解数据增强的部分还是很值得一听的，多学点东西肯定没坏处。

为什么我说土堆细呢，是因为一开始他就解决了困扰我很久的问题，也就是我们经常在视频中看到的从github上下载下来的代码跟我们实际自己拉下来的代码不一样，这是因为作者会对代码进行更新，解决办法就是我们可以自行选择作者上传的版本....（也许很多人已经知道了，但也不妨碍还有很多人不知道，比如我...）

 二、环境的配置问题

首先，找到这个项目的requirements.txt文件，一般来说我们只用执行上面的pip指令，就能够将这个项目所需要的包下载到自己的pytorch环境中。（注意，要从base环境转到自己的pytorch环境中哦）如果作者没有写这个文件的话，那就只能自己去运行的时候，根据报错来安装缺少的包了。

 三、如何利用yolov5进行预测

 即开源作者为我们提供了训练好的模型，我们如何用这个模型在实际场景中进行应用，看一下在不同场景中它的检测效果如何。

3.1  README.md中有什么

 首先对模型做了一个简单的对比 我们会发现右边有YOLOv5s6---x6 越往下代表模型结构越复杂。

其次，作者还放上了一些教程，比如如何训练自己的数据集，如果想训练出好的结果，作者给出的相关建议和日志等等。

最后来看一下Inference，讲解的是如何利用已经训练好的模型进行网络预测。

 3.2 我在运行detect.py时遇到的各种问题

可以参考这个博客，我报错的问题跟里面是一模一样的，如果有小伙伴也是这种问题，直接跟着操作一遍就ok。

yolov5 5.0 报错日常Can‘t get attribute ‘SPPF‘ on ＜module ‘models.common‘ from ‘D:\\Pycharm\\Code\\yolov5_：）�东东要拼命的博客-CSDN博客

3.3 现在来记录一下各种参数的意义和作用 

关于YOLOv5-p5和YOLOv6-p6

我们在输入一张图片的时候，会将其resize到我们指定的图片大小，那么问题就来了，输出的时候我们的图片大小是不是就变了？答案是否定的

我们输出的图片大小依然与输入图片大小保持一致，只是在网络训练的过程中把尺寸进行缩放。

 

 NMS：非极大值抑制

 在检测过程中，会圈出不同的区域，我们就要想办法从这些框中选择最优框，NMS就是用来解决这个问题的。

这种情况下，我们采用的是IOU的方法

什么是IOU呢？-----即两个区域的交并比

 

 在图片中我已经记录了detect.py文件中每个参数的意义和作用，上述所创建的参数，最后都会被保存在opt这个变量中。

 四、训练yolov5模型（开始炼丹了...）

在开始之前，up主分两种情况讲解了炼丹的过程，分别是在自己电脑的CPU上 or 在云端GPU上，我用的是实验室的服务器，应该没什么大问题，简单记录一下，如果up主有详解代码的部分，我会直接将视频链接贴在下方，大家可以自行观看。如果我的训练过程除了啥问题，我也会记录下来，希望我能够顺畅的炼完丹!!!!!

跑模型时遇见的问题记录：

1.module 'distutils' has no attribute 'version'  

问题出现的原因：setuptools的版本太高导致

问题解决：

1.pip uninstall setuptools 记住，一定不可以使用conda uninstall  原因我这个小白也不是很清楚 我搜索的时候得到的答案是说 因为conda在卸载的时候会自动分析与其相关的库 然后全部删除，这样的话，可能很多你本来不想删除的东西都被删除了...

2.pip或者conda install setuptools==58.0.4 (如果你安装的是59的版本 很可能安装不上 因为现在的setuptools版本已经更新到67了吧 很多老版本只是部分保留下来了 anyway 如果58这个版本能装就装这个！）

2.Dataset autodownload failure

这个错误是发生在自动下载COCO数据集前128张图片时出现的，下载到94%的时候跟我说下载失败....服咯  

解决办法呢 就是自己点开这个下载网址，下载解压以后一定要放到和yolov5同一级目录下，如果跟我一样用服务器的话，必须要上传到服务器里才可以，不能放到yolov5文件夹下面，要和它是同一级才可以!!!!

 五、如何制作和训练自己的数据集

1.如果我们有数据集，那么要对其进行标注

2.如果没有数据集，要根据自己的需要获得数据集，进行人工标注

3.自己获得数据集，半人工标注（利用已经训练好的网络，对数据集进行简单的标注，然后自己进行微调）

4.仿真数据集（GAN,数字图像处理的方式）

假设我们要做与汽车相关的数据集：

1.首先去搜索有关汽车的图片，或者自己拍下来的汽车图片，保存到电脑中

2.使用Make Sense在线标注工具创建标签

 

如何导出数据？

 这样就可以下载下来了

 标注工作和下载工作我们都做好了，接下来要去建立我们的数据集文件夹了。

在我们编译器中的yolov5项目里新建一个数据集文件夹，名字自己取。

 

然后我们需要创建一个mydata.yaml文件，用来指定我们的数据集。

 然后就可以愉快的跑自己数据集的代码了，最后可以用detect.py测试一下~

注意：

1.正常情况下是不能拿训练集的数据来进行测试的，up主这里只是简单演示一下

2.一般，作者都会把数据集放在项目的外面，或者将数据集标注成excluded

到这里，yolov5就告一段落了，后续还会继续记录俺的学习历程的，加油加油！