用YOLOv5 跑通 TT100k 数据集

首先去GitHub上下载好YOLOv5这个项目，内容如下：

其中，detect.py是用来检测的，也就是运行yolo实现目标检测，其中有许多的参数可以进行设置 其中较为重要的参数，我来简单说明一下:

--weight 这里指定的模型的参数选择，在github上下好的里面有多个模型参数，点开model下面，可以看到有很多yaml配置文件，里面就记录着不同参数量的yolo模型，其中用的最多的就是yolov5s.yaml，因为v5s是最轻量的，同样也是大家用得比较多的。（这里已经是我训练好的参数了，所以和大家自己直接下载后的源代码有些差别）

--source 这里就是要进行yolo处理的数据了，看后面的help可知，yolo支持的格式有jpg，png，文件夹，视频，还有自己本地电脑的摄像头（这里default=0就可以了）

之后，就是train.py文件，这个文件就是自己选择数据集，之后进行训练的py文件。

 也是说一些关键一点的参数：

--weight 这里是初始化模型参数，在这个参数基础上进行训练，也就是加载预训练参数（这里其实我有点迷糊，因为我训练完之后发现，yolo并不认得以前的图片了，只认得这些新训练的图片）。这里我的感觉是，仅仅是加速了模型的训练速度，因为前面提取特种用的卷积层们，他们的特征提取能力以及可以了，所以有利于在此基础上训练。之后就是我的一点猜想，会不会也会因此获得一组较好的初始化参数，从而容易找到那个最优解。

--cfg 就是配置文件，这里是去model下面的记录了网络结构的yaml文件中去选择，和你上面选择的那个参数配套就好。

--data 这里是选择那个记录了数据的yaml文件，里面有训练数据存放的位置，以及yolo格式的类别。

--hpy 就是超参数配置文件，我觉得不用调整，里面是原作者炼丹时候感觉最好的组合了吧。

--epochs 训练轮次，建议根据你自己的数据集来做调整，像我这个超大tt100k，我训了300轮还是没收敛，打算再加大剂量。

--batch_size 批量大小，根据自己gpu显存来。这里只是影响一下训练时间长短。

--imgsz 是指输入图片的大小，yolo在加载图片的那个transform里，调整大小

--patience 这个一般结合着epoch来用，意思是说，多少轮参数不变了，就停止训练。所以可以设置很大的epoch，再用patience来找啥时候算是收敛。

接下来介绍下，tt100k数据集，https://cg.cs.tsinghua.edu.cn/traffic-sign/

这个是清华那个官方的连接，里面可以自己选择版本（版本选择要清楚，因为要搞清楚有几类，label很重要）。或者点击那个“教程”，里面有直接可以用的Linux命令。

下载之后应该是这样的：

里面是清一色的jpg格式，而yolo格式是要jpg和txt格式来对应的，所以就要转化一下。（至于代码，我代码能力比较弱，所以我就自己csdn去copy了一个，稍微改下路径就能用了，我就不明摆出来了）

之后那个代码是转成了jpg+txt格式，需要分开的，也就是images和label要分开的（这里必须叫images和labels，因为yolo内部代码实现路径就是这样的，改了会报错的），成这样才是yolo格式

这个分类代码，找AI一写就出来了，很简单的。（下面是我用ai写的）

import os
import shutil

# 指定的目录
source_dir = './test'

# 目标文件夹
images_dir = './test/images'
labels_dir = './test/labels'

# 如果文件夹不存在，创建它们
if not os.path.exists(images_dir):
    os.makedirs(images_dir)

if not os.path.exists(labels_dir):
    os.makedirs(labels_dir)

# 遍历源目录下的文件
for filename in os.listdir(source_dir):
    file_path = os.path.join(source_dir, filename)

    # 如果是文件，进行分类移动
    if os.path.isfile(file_path):
        if filename.endswith('.jpg'):
            shutil.move(file_path, os.path.join(images_dir, filename))
        elif filename.endswith('.txt'):
            shutil.move(file_path, os.path.join(labels_dir, filename))

print("文件移动完成！")

之后还差最后一步，就是写一个data的yaml文件就行了。

之后路径都在train.py的参数部分相应填好，就可以开始运行了。

我是用3090跑了整整一晚上，我看是晚上6点开始，早上7点才跑完。

之后可以去runs/train里看想要的结果就可以了。

至此，这个tt100k的数据集训练就算是跑通了。