Yolov5的配置、使用和模型训练

由于我的电脑的性能并不能支持在GPU环境下运行

尽量支持GPU的话还是使用GPU，二者相差的速度可能相差3-5倍

官方默认的是使用CPU环境下的，直接下载官方的包即可

环境配置

首先电脑要下载Anaconda和PyTorch

PyTorch安装（也可以使用一些其他的镜像源下载）：

地址：在本地启动 |PyTorch的 --- Start Locally | PyTorch

模型训练

labelimg工具进行数据标注

pip install labelimg

启动：命令行输入  labelimg

新建一个文件夹（比如我要实现垃圾分类检测）

新建Trash01文件夹

子目录：

train  (内含子目录images、labels)

valid (内含子目录images、labels)

data.yaml

train为训练组，valid为对照组，一般为9：1

images放图片，labels放用labelimg标注好的数据

data.yaml: 

names:
- RecyclableWaste
- HazardousWaste
- KitchenWaste
- OtherWaste

nc: 4

train: D:\A_Yolov5\Main01\yolov5-mask-42\Garbage06\train
val: D:\A_Yolov5\Main01\yolov5-mask-42\Garbage06\valid
 

进行训练（每次训练2张，一共100次） 该精度我的cpu还能带的动，再高一点就不好训练了 

 python train.py --batch-size 2 --epochs 100 --data D:\A_Yolov5\Main01\yolov5-mask-42\Garbage06\data.yaml --weights D:\A_Yolov5\Main01\yolov5-mask-42\yolov5s.pt 

用视频进行实时识别：

在detect.py同目录下创建一个文件夹stream.txt，在里面写入一个0以此代表使用本机摄像头，如果有USB摄像头则为1，2，3等。

放置训练集位置：

将source注释掉，然后改为下面的这行

parser.add_argument('--source', type=str,default='stream.txt', help='source') #单网络多线程 实时检测

然后直接运行：delect.py即可

 

总结：

训练经验：单个物体模型的话物体照片在 CPU-2张-100次：batch-size 2 --epochs 100情况下需要不同背景不同角度下150张图片左右

多个物体识别为一个种类的话最好300张以上

垃圾分类与识别效果图：

 

 

2023.11.13