YOLOv5实现识别不同形状的图案（十字、三角、方框、圆形等）pytorch_cpu版

准备数据集

安装labelimg

输入如下命令进行安装：

pip install labelimg

在base环境安装可能会遇到下面问题

所以我就在虚拟环境安装了，最后没有报错

使用labelimg

输入

labelImg

来打开该软件,注意这里i要大写

常用的快捷键有：

我这里分别创建了 images 和Annotations文件夹，前一个用来存放样本图片，后一个用来存放标记文件

点击打开目录，打开样本所在的文件夹

可以点击创建区块也可以用快捷键来框选目标的范围

框选好后，选择存为YOLO格式（即将标记的信息保存为.txt格式）

先改变存放目录，选定一个文件夹来存放标记好的txt,点击“Save”来保存标记好后的第一张图（这里是灰色是因为已经保存过了）

注意：保存的文件名要与原始图片的文件名保持一致。每标记一张图都要记得保存！

可以设置自动保存

训练模型

首先新建训练集和验证集文件夹，分别命名为“train”和“val”

“train”和“val”文件夹都需包含“images”和“labels”文件夹。其中，“images”文件夹用于存放图片，“labels”文件夹用来存放txt

将刚才标注好的约75%的图片和标签分别放入“train”中的“images”和“labels”，用作训练集

注意：图片和标签必需一一对应

将剩下的放入“val”中的“images”和“labels”，用作验证集

创建一个yaml文件（data.yaml）

文件内容如下：

train: data/images/train/images
val: data/images/val/images
nc: 4
names: ['方形','十字','圆形','三角']

根据自己要识别的目标来，nc是类别个数

修改“train.py”中的一些参数，参数解释可以参考YOLOV5训练代码train.py训练参数解析

"data"：改成"data/data.yaml",这是刚刚创建的yaml文件         #数据集对应的yaml参数文件；里面主要存放数据集的类别和路径信息

"epochs"：这里改成了200轮         #epochs表示训练整个训练集的次数，epochs为n表示将整个训练集训练n次

"batch-size"：大小需要根据自己设备GPU的资源合理设置，我改成8后面训练还会被杀死，最后改成4才行         #表示每个 mini-batch 中的样本数，batch-size设置为n表示一次性从训练集中获取n张图片送入模型进行训练

"workers"：根据自己的来，可以改成4         #Dataloader中numworkers表示加载处理数据使用的线程数，使用多线程加载数据时，每个线程会负责加载和处理一批数据，数据加载处理完成后，会送入相应的队列中，最后主线程会从队列中读取数据，并送入GPU中进行模型计算；numworkers为0表示不使用多线程，仅使用主线程进行数据加载和处理。

运行train.py来训练

这里会出现一些问题

提示

run 'pip install comet_ml' to automatically track and visualize YOLOv5 🚀 runs in Comet

解决办法：

输入命令

pip install comet_ml

安装完以后再运行还会提示

TypeError: unsupported operand type(s) for |: 'dict' and 'dict'

这里结合csdn和deepseek，代码里使用了python3.8不支持的字典合并运算符，3.9应该可以，但是重新安装python环境比较麻烦，试了下没有成功可以参考Python 如何更改现有 conda 虚拟环境的 Python 版本，按流程操作下来发现python版本还是没变，可以用python --version查看，删除python重新安装发现很多依赖都被删了，重新安装也运行不成功

解决办法：

找到错误在的地方，原来的代码是这样

self.default_experiment_kwargs = {
            "log_code": False,
            "log_env_gpu": True,
            "log_env_cpu": True,
            "project_name": COMET_PROJECT_NAME,
        } | experiment_kwargs

改成下面这段，注意代码缩进

self.default_experiment_kwargs = {
    **{
        "log_code": False,
        "log_env_gpu": True,
        "log_env_cpu": True,
        "project_name": COMET_PROJECT_NAME,
    },
    **experiment_kwargs
}

改完之后再运行，又提示很多东西，开始从github自动下载，巨慢，这个据了解是个字体文件，可以自行去查如何不从github上下载

Downloading https://github.com/ultralytics/assets/releases/download/v0.0.0/Arial.Unicode.ttf to /home/rosnoetic/.config/Ultralytics/Arial.Unicode.ttf...

出现这种已杀死的情况可能就是前面参数没调对，导致内存不够什么的，我这里'batch-size'改成4就可以继续运行

花了差不多一个小时训练完成，因为数据量比较小

可以看到训练的结果存储在“runs/train/exp/weights”中

训练完成后还有个问题

COMET INFO: Still saving offline stats to messages file before program termination (may take up to 120 seconds)
COMET INFO: Begin archiving the offline data.
COMET INFO: To upload this offline experiment, run:
    comet upload /home/rosnoetic/yolov5-master/.cometml-runs/d4d562157ec54c3ea6dbca876d1d9f0f.zip

这些信息是YOLOv5模型训练完成后，由Comet.ml（实验管理工具）生成的提示，涉及离线实验数据的保存和上传流程。以下是逐条解析：
1. Still saving offline stats to messages file...
    含义：训练结束后，Comet正在将实验的统计数据（如训练损失、验证精度等）保存到本地文件。
    背景：可能因网络中断、主动选择离线模式，或Comet配置为离线运行，导致数据无法实时上传至云端。
    注意：此过程可能需要最多120秒，需等待完成后再关闭程序或释放资源。
2. Begin archiving the offline data.
    含义：Comet开始将离线数据打包成ZIP压缩文件，路径为.cometml-runs/下的指定子目录。
    作用：归档确保所有实验相关文件（如日志、模型权重、评估结果）被完整保留，便于后续上传或迁移。
3. To upload this offline experiment, run: ...
    含义：提示用户通过手动执行命令将ZIP文件上传至Comet云端服务器。
    操作：在终端运行comet upload /path/to/xxx.zip，需确保：
        已安装Comet客户端（pip install comet_ml）。
        配置了Comet API密钥（环境变量或配置文件）。
    用途：上传后，可在Comet网页仪表盘中查看完整的实验记录、对比结果及可视化数据。
整体流程总结
    离线模式运行：训练时未实时同步数据到Comet云端。
    训练结束处理：
        保存统计数据到本地 → 打包为ZIP → 提示上传命令。
    后续操作：手动上传ZIP文件以云端持久化实验记录。
用户注意事项
    离线原因：检查网络连接或Comet配置（如COMET_MODE=OFFLINE）。
    文件安全：勿删除.cometml-runs/目录下的ZIP文件，直到确认上传成功。
    验证上传：登录Comet官网查看实验是否出现在项目列表中。
通过此机制，即使训练时断网，也能保障实验数据不丢失，适合不稳定网络环境或需保密的内部训练场景。
开启新对话

根据deepseek的回答推测没什么影响，就是上传到网络失败，因为我训练的时候没连接网络

使用模型

如下图，将detect.py中的“--weights”参数替换为刚训练好的pt文件路径，“--source”改为待检测的图片路径

runs/train/exp/weights/best.pt

data/images/images

可以看到识别效果还是有点差的，下一步就打算增加数据集量和多样性

继续训练

如果想在上一次训练的基础上继续训练模型，可以更改“train.py”中的“--weights”参数，改为上一次训练的pt文件