yolo基础---一步一步教你看yolov5文件目录

最新推荐文章于 2025-03-07 09:26:41 发布

羊小猪~~

最新推荐文章于 2025-03-07 09:26:41 发布

阅读量1.8k

点赞数 18

分类专栏：目标检测入门文章标签： YOLO 深度学习机器学习 yolov5 计算机视觉视觉检测目标检测

本文链接：https://blog.csdn.net/weixin_74085818/article/details/144145895

版权

目标检测入门专栏收录该内容

10 篇文章

订阅专栏

前言

今后的一段时间，会慢慢更新yolo的使用，基础版本以yolov5为主，选yolov5主要是这个很经典，比较适合入门，后面会重点更新yolov10的使用与创新；
这一期是给下一期做准备的，下一期更新如何进行yolov5进行训练。

文章目录

predict.py：脚本用于执行模型对新数据的预测。它会加载训练好的模型，并用它来预测输入数据的类别。
train.py：脚本用于训练分类模型。它会包含数据加载、模型初始化、训练过程以及可能的验证/测试步骤。
tutorial.ipynb： Jupyter 笔记本文件是一个教程，它提供了如何使用 yolov5-master 中的分类功能的指导。笔记本会包含代码示例和解释，引导用户如何进行数据准备、模型训练、评估和预测。
val.py：脚本用于模型的验证。它会对验证集的数据执行预测，并评估模型的性能，通常是通过计算准确率、混淆矩阵或其他指标。

3、data

在这里插入图片描述

主要

主要是超参数配置文件(*.yaml)，用于神经网络的参数设置，和训练模型相关的参数，并且还包含了目标检测的种类数和种类；
如果是训练自己的数据集的话，需要修改.yaml文件；
不建议把自己的数据放到这里，推荐在yolo文件夹创建存储数据文件夹。

详解：

hyps文件夹 ：存放yaml格式的超参数配置文件
- hyps. scratch-high.yaml ：数据增强高，适用于大型型号，即v3、v3-spp、v5l、v5x
- hyps. scratch-low.yaml ：数据增强低，适用于较小型号，即v5n、v5s
- hyps. scratch-med.yaml ：数据增强中，适用于中型型号。即v5m
images：存放着官方给的两张测试图片
scripts ：存放数据集和权重下载shell脚本
- download_weights.sh ：载权重文件，包括五种大小的P5版和P6版以及分类器版
- get_coco.sh ：下载coco数据集
- get_coco128.sh ：下载coco128（只有128张）
Argoverse.yaml ：后面的每个.yaml文件都对应一种标准数据集格式的数据
coco.yaml ：COCO数据集配置文件
coco128.yaml ：COCO128数据集配置文件
voc.yaml ：VOC数据集配置文件

4、datasets

在这里插入图片描述

这一块是存储自己要训练的数据集，由自己创建，详情请看：yolo基础—手把手教你划分数据集

5、models

在这里插入图片描述

models: 顾名思义，这个是存储有关模型的文件夹，存储网络构建的一些配置文件。

版本： 有4个版本，s、m、l、x这四个版本，特点：速度由快到慢，但是精度由低到高。

训练：如果想训练自己的模型的话，需要在这里修改相应的yaml文件。

详解：

hub ：存放yolov5各版本目标检测网络模型配置文件
- anchors.yaml：COCO数据的默认锚点
- yolov3-spp.yaml：带spp的yolov3
- yolov3-tiny.yaml：精简版yolov3
- yolov3.yaml ： yolov3
- yolov5-bifpn.yaml ：带二值fpn的yolov5l
- yolov5-fpn.yaml : 带fpn的yolov5
- yolov5-p2.yaml ： (P2, P3, P4, P5)都输出，宽深与large版本相同，相当于比large版本能检测更小物体
- yolov5-p34.yaml ：只输出(P3, P4)，宽深与small版本相同，相当于比small版本更专注于检测中小物体
- yolov5-p6.yaml ：(P3, P4, P5, P6)都输出，宽深与large版本相同，相当于比large版本能检测更大物体
- yolov5-p7.yaml ：(P3, P4, P5, P6, P7)都输出，宽深与large版本相同，相当于比large版本能检测更更大物体
- yolov5-panet.yaml：带PANet的yolov5l
- yolov5n6.yaml ： (P3, P4, P5, P6)都输出，宽深与nano版本相同，相当于比nano版本能检测更大物体，anchor已预定义
- yolov5s6.yaml ：(P3, P4, P5, P6)都输出，宽深与small版本相同，相当于比small版本能检测更大物体，anchor已预定义
- yolov5m6.yaml ： (P3, P4, P5, P6)都输出，宽深与middle版本相同，相当于比middle版本能检测更大物体，anchor已预定义
- yolov5l6.yaml ： (P3, P4, P5, P6)都输出，宽深与large版本相同，相当于比large版本能检测更大物体，anchor已预定义，推测是作者做实验的产物
- yolov5x6.yaml ： (P3, P4, P5, P6)都输出，宽深与Xlarge版本相同，相当于比Xlarge版本能检测更大物体，anchor已预定义
- yolov5s-ghost.yaml ： backbone的卷积换成了GhostNet形式的yolov5s，anchor已预定义
- yolov5s-transformer.yaml ：backbone最后的C3卷积添加了Transformer模块的yolov5s，anchor已预定义
int.py ：空的
common.py：放的是一些网络结构的定义通用模块，包括autopad、Conv、DWConv、TransformerLayer等
experimental.py ：实验性质的代码，包括MixConv2d、跨层权重Sum等
tf.py: tensorflow版的yolov5代码
yolo.py ： yolo的特定模块，包括BaseModel，DetectionModel，ClassificationModel，parse_model等
yolov5l.yaml ： yolov5l网络模型配置文件，large版本，深度1.0，宽度1.0
yolov5m.yaml ： yolov5m网络模型配置文件，middle版本，深度0.67，宽度0.75
yolov5n.yaml ： yolov5n网络模型配置文件，nano版本，深度0.33，宽度0.25
yolov5s.yaml ： yolov5s网络模型配置文件，small版本，深度0.33，宽度0.50
yolov5x.yaml ： yolov5x网络模型配置文件，Xlarge版本，深度1.33，宽度1.25

6、runs

在这里插入图片描述

runs：我们运行时候输出的一些文件，每一次运行都会生成一个exp文件夹。

详解：

detect ：测试模型，输出图片并在图片中标注出物体和概率
train ：训练模型，输出内容，模型(最好、最新)权重、混淆矩阵、F1曲线、超参数文件、P曲线、R曲线、PR曲线、结果文件（loss值、P、R）等
- expn：第n次实验数据
- confusion_matrix.png ：混淆矩阵
- P_curve.png ：准确率与置信度的关系图线
- R_curve.png ：精准率与置信度的关系图线
- PR_curve.png ：精准率与召回率的关系图线
- F1_curve.png ：F1分数与置信度（x轴）之间的关系
- labels_correlogram.jpg ：预测标签长宽和位置分布
- results.png ：各种loss和metrics（p、r、mAP等，详见utils/metrics）曲线
- results.csv ：对应上面png的原始result数据
- hyp.yaml ：超参数记录文件
- opt.yaml ：模型可选项记录文件
- train_batchx.jpg ：训练集图像x（带标注）
- val_batchx_labels.jpg ：验证集图像x（带标注）
- val_batchx_pred.jpg ：验证集图像x（带预测标注）
- weights ：权重
- best.pt ：历史最好权重
- last.pt ：上次检测点权重
- labels.jpg ： 4张图， 4张图，（1，1）表示每个类别的数据量