一. YOLOv5代码下载
链接: https://github.com/ultralytics/yolov5
克隆至本地
git clone https://gitcode.com/ultralytics/yolov5.git
代码不一定是最新的,可自行搜索下载所需代码,其中代码中包含预训练模型为yolov5s.pt,若需其他yolo预训练模型可自行下载
二. 依赖环境安装
完成上述步骤后,会自动行程yolov5路径
cd yolov5
pip install -r requirements.txt
三. 训练数据下载
coco128下载方式:
链接:https://pan.baidu.com/s/1TLzwEFQlhOiE2CO6waWrSA
提取码:luim
下载后解压至yolov5/data下,其中包含两个文件夹:images和labels,路径结构如下:train为训练集,val为验证集
images为训练图片
labels为标记后的txt文件
四. 建立数据yaml文件
在yolov5/data下,新建coco128(自定义名称).yaml文件,主要修改数据路径和类别名称:
path: ./data # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)
# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: airplane
5: bus
6: train
7: truck
五. 修改模型参数
在yolov5/models下,使用yolov5s.pt预训练模型,则修改yolov5s.yaml文件中的nc为数据集的类型数。
六. 创建训练文件
在yolov5路径下,建立训练脚本train.sh
python train.py --weights 'yolov5l.pt' --cfg './models/yolov5l.yaml' --data './data/coco128.yaml' --hyp './data/hyps/hyp.scratch-low.yaml' --epochs 300 --batch-size 16 --device 1,2
–weights:预训练模型路径
–cfg:yolo yaml文件路径,即上一步修改模型参数路径
–data:即第四步中数据yaml文件路径
–hyp:内置超参数配置文件
–epochs:训练轮次
–device: GPU编号
七. 训练
nohup sh train.sh > ./xxx.log 2>&1 &
在xxx.log中查看日志
history|grep nohup:查看历史nohup记录
kill跑过的进程:
ps -ef|grep train(刚刚的xxx.sh名字)查看进程号
kill -9 进程号
训练完成后,会在yolov5/runs/train中生成最终的模型文件,每次训练会形成一个
八. 测试
在yolov5下,创建测试脚本test.sh
python detect.py --weights./runs/train/exp4/weights/best.pt --source ./data/images/val --data ./data/coco128.yaml
–weights:训练后的best.pt
–source:验证集所在路径
–data:训练时的数据yaml文件
九. 转换模型保存格式
pt格式转为onnx
python export.py --weights './runs/train/xxx/weights/best.pt' --dynamic --include onnx
十. 标注自己数据
需要用LabelImg对图片进行标注,可自行百度。