这次我将大部分图片添加了水印

推荐下本人另一篇博客：

最新安装anaconda与tensorflow、pytorch（详细完整版）

本教程使用环境：

pytorch: 1.10.0

python: 3.9

yolov5 v6.0

ps: 如果要使用GPU，cuda版本要 >=10.1

下载安装yolov5：

yolov5 v6.0官方要求 Python>=3.6 and PyTorch>=1.7

yolov5源码下载：https://github.com/ultralytics/yolov5

下载后，进入pytorch环境进入yolov5文件夹，使用换源的方法安装依赖。

如果你前面安装时没有换源，我强烈建议你使用换源的方法在安装一次

安装过的模块不会在安装，以防缺少模块，影响后续程序运行以及模型训练。

因为本教程主详细讲解训练自己的数据集，避免篇幅过多，因此这里不详细说明了。

因为这篇文章主要是给小白提供，所以数据集文件夹以及代码文件命名不是很标准，标准的自行去搜索查看coco数据集就行了。

为了排除一些意外情况，路径中就不要有短横杠-以及空格等等特殊字符。中文更不能要有。

images：用于存放要标注的图片（jpg格式）

这个和后续产生的 labels文件夹命名来源于yolov5/utils/datasets.py的第372行，你可进行查看。

Annotations ：用于存放标注图片后产生的内容（这里采用XML格式）

后续使用代码保存位置如图

本教程需要用到图中的代码文件，这里先不用管，后面会给出代码。

这里提供本人编写的python代码，用于将视频转图片。

只需更改两个参数，视频路径以及间隔多少帧取图片。

python实现视频转图片_diyu-CSDN博客

代码运行，需要装有opencv模块，装opencv模块前需要装numpy模块。 所以，你可以选择进入pytorch环境进入代码所在文件夹，用命令行形式运行程序。

labelImg下载：https://github.com/tzutalin/labelImg

各种安装方法都在此链接中，这里只给出 windows +anaconda 进行安装。

ps: 如果你进入不了github，这里给出百度网盘链接

labellImg百度网盘链接：https://pan.baidu.com/s/1odKMu9nY6ueVJsiQwYRnkw 提取码：diyu

此labelImg是采用命令行形式运行，需要使用命令行安装一些依赖。

如果你认为这个太麻烦，网上有人打包好了此软件，可以自行去下载。

本人labellmg存放位置

打开 anaconda prompt （类似于cmd）

进入 labellmg文件夹

我建议就在base环境下进行安装labellmg，方便一点，你也可以进入pytorch环境下安装。

在哪个环境安装的就在哪个环境下启动软件。

执行命令前，建议更新一下conda conda update -n base -c defaults conda

-n：指定更新哪个环境的conda，这里是base环境

windows +anaconda 安装方式如下：

依次执行下面命令 （不要连接外网）

运行软件前可以更改下要标注的类别。

也可以进入软件后添加，不过那样每次进入软件都要添加，麻烦。

打开labellmg（要进入labellmg文件夹）

勾选 auto save mode 自动保存

图片重新上传加了水印，模糊了见谅

格式就默认是XML格式，可以更改成yolo，这里就使用默认的XML格式

点击左方边栏或者屏幕右键选择 Create RectBox 即可进行标注。

尽可能的完全拟合标注物体，建议放大标注，也别放大狠了哈。

其它看个人标准。

如果数据集很多的话，可以考虑自动标注，当然，也不是全自动哈。

运行代码方式

第一种：使用pycharm、vscode、python自带的IDLE。如果出现缺少模块的情况（no module named），你可以安装模块，也可以使用后一种方法。

第二种：进入pytorch环境，进入代码所在目录，使用命令行形式运行（python + 程序名）

在VOCData目录下创建程序 split_train_val.py 并运行

程序如下：（可以不更改）

运行完毕后 会生成 ImagesSets\Main 文件夹，且在其下生成 测试集、训练集、验证集，存放图片的名字（无后缀.jpg）

由于没有分配测试集，所以测试集为空。

若要分配，更改第 14、15 行代码，更改所在比例即可。

在VOCData目录下创建程序 text_to_yolo.py 并运行

命名随意，我后面改成了 xml_to_yolo.py，更加的贴切。

程序如下：

需要将第 7 行改成自己所标注的类别 以及修改各绝对路径

绝对路径需为：d:\\images 或者 d:/images 双右斜线或者单左斜线

运行后会生成如下 labels 文件夹和 dataSet_path 文件夹。

其中 labels 中为不同图像的标注文件。每个图像对应一个txt文件，文件每一行为一个目标的信息，包括class, x_center, y_center, width, height格式，这种即为 yolo_txt格式

dataSet_path文件夹包含三个数据集的txt文件，train.txt等txt文件为划分后图像所在位置的路径，如train.txt就含有所有训练集图像的路径。

在 yolov5 目录下的 data 文件夹下 新建一个 myvoc.yaml文件（可以自定义命名），用记事本打开。

内容是：

训练集以及验证集（train.txt和val.txt）的路径（可以改为相对路径）

以及 目标的类别数目和类别名称。

注意这里的类别名称顺序，如果训练的结果是反的，这里修改重新训练。

给出模板： 冒号后面需要加空格

有自动法以及手动法。

鉴于很多人在生成anchors文件这里出错，因此补上自动法

如果目录 yolov5/utils下有 autoanchor.py文件，那么就可以采用自动获取anchors。（yolov5版本偏低是没有的）

如果没有此文件。那么就只能手动获取更改anchors

确保 yolov5/data/hyps/hyp.cratch.yaml中的anchors这行是注释掉的。

采用自动法的话，不用运行，训练时自动调用

如果自动获取anchors的话，训练时只要不添加参数 --noautoanchor（后面会介绍），就会自动运行autoanchor.py。

原理就是通过检测计算 Best Possible Recall (BPR)，来判断是否重新计算anchors。如果BPR 0: raise ValueError("Box has no area") # 如果报这个错，可以把这行改成pass即可 intersection = x * y box_area = box[0] * box[1] cluster_area = clusters[:, 0] * clusters[:, 1] iou_ = intersection / (box_area + cluster_area - intersection) return iou_ def avg_iou(boxes, clusters): """ Calculates the average Intersection over Union (IoU) between a numpy array of boxes and k clusters. :param boxes: numpy array of shape (r, 2), where r is the number of rows :param clusters: numpy array of shape (k, 2) where k is the number of clusters :return: average IoU as a single float """ return np.mean([np.max(iou(boxes[i], clusters)) for i in range(boxes.shape[0])]) def translate_boxes(boxes): """ Translates all the boxes to the origin. :param boxes: numpy array of shape (r, 4) :return: numpy array of shape (r, 2) """ new_boxes = boxes.copy() for row in range(new_boxes.shape[0]): new_boxes[row][2] = np.abs(new_boxes[row][2] - new_boxes[row][0]) new_boxes[row][3] = np.abs(new_boxes[row][3] - new_boxes[row][1]) return np.delete(new_boxes, [0, 1], axis=1) def kmeans(boxes, k, dist=np.median): """ Calculates k-means clustering with the Intersection over Union (IoU) metric. :param boxes: numpy array of shape (r, 2), where r is the number of rows :param k: number of clusters :param dist: distance function :return: numpy array of shape (k, 2) """ rows = boxes.shape[0] distances = np.empty((rows, k)) last_clusters = np.zeros((rows,)) np.random.seed() # the Forgy method will fail if the whole array contains the same rows clusters = boxes[np.random.choice(rows, k, replace=False)] while True: for row in range(rows): distances[row] = 1 - iou(boxes[row], clusters) nearest_clusters = np.argmin(distances, axis=1) if (last_clusters == nearest_clusters).all(): break for cluster in range(k): clusters[cluster] = dist(boxes[nearest_clusters == cluster], axis=0) last_clusters = nearest_clusters return clusters if __name__ == '__main__': a = np.array([[1, 2, 3, 4], [5, 7, 6, 8]]) print(translate_boxes(a))

运行：clauculate_anchors.py

会调用 kmeans.py 聚类生成新anchors的文件

程序如下：

需要更改第 9 、13行文件绝对路径 以及 第 16 行标注类别名称

会生成anchors文件。如果生成文件为空，重新运行即可。

如果还是为空，看下是不是类别没有更改。

第二行 Best Anchors 后面需要用到。（这就是手动获取到的anchors的值）

选择一个模型，在yolov5目录下的model文件夹下是模型的配置文件，有n、s、m、l、x版本，逐渐增大（随着架构的增大，训练时间也是逐渐增大）。

这里放一些官方数据：GitHub - ultralytics/yolov5

这里选用 yolov5s.yaml

使用记事本打开 yolov5s.yaml。

修改参数。

按理应该是不需修改anchors的，我在前面自动法那里提过，如果后续训练时自动计算出了anchors后暂停了训练，那么应该是需要我们根据生成的anchors来修改。

把 nc 改成自己的标注类别数

修改anchors，根据 anchors.txt 中的 Best Anchors 修改，需要取整（四舍五入、向上、向下都可以）。

保持yaml中的anchors格式不变，按顺序一对一即可。

打开yolov5 目录下的 train.py 程序，我们可以多看看这些参数使用。

常用参数解释如下：

这个大部分借鉴了参考链接。

weights：权重文件路径

cfg：存储模型结构的配置文件

data：存储训练、测试数据的文件

epochs：指的就是训练过程中整个数据集将被迭代（训练）了多少次，显卡不行你就调小点。

batch-size：训练完多少张图片才进行权重更新，显卡不行就调小点。

img-size：输入图片宽高，显卡不行就调小点。

device：cuda device, i.e. 0 or 0,1,2,3 or cpu。选择使用GPU还是CPU

workers：线程数。默认是8。

其它参数解释：

noautoanchor：不自动检验更新anchors rect：进行矩形训练

resume：恢复最近保存的模型开始训练

nosave：仅保存最终checkpoint

notest：仅测试最后的epoch

evolve：进化超参数

bucket：gsutil bucket

cache-images：缓存图像以加快训练速度

name： 重命名results.txt to results_name.txt

adam：使用adam优化

multi-scale：多尺度训练，img-size +/- 50%

single-cls：单类别的训练集

进入pytorch环境，进入yolov5文件夹

训练命令如下：

如果出现问题，查看后面问题说明！

–weights weights/yolov5s.pt ：这个也许你需要更改路径。我是将yolov5的pt文件都放在weights目录下，你可能没有，需要更改路径。

–epoch 200 ：训练200次

–batch-size 8：训练8张图片后进行权重更新

–device cpu：使用CPU训练。

如果采用手动法获取anchors，可以选择补充添加参数 --noautoanchor，也可以不添加（解释如下）

参数解释在上面。如果是自动法，这个参数不要加；

如果是手动获取并更改了anchors的，而且没有添加参数 --noautoanchor，训练时会计算BPR，并且得到的BPR应该是为1的（或者极为接近1），所以不会更新anchors。因此，手动法的话这个参数添不添加无所谓的。

如果你不想看到这些警告，网上是有办法消除的，自行寻找了。

如果你使用GPU训练也有类似下面这个，那是你 cuda 版本不对（不是>=10.1的版本），版本不对无法使用cuda。

训练好的模型会被保存在 yolov5 目录下的 runs/train/weights/ 下

上述时间只限于电脑风扇转动的情况下，如果你电脑限制性能，风扇不转动，那时间将会是个未知（一般是好几倍）

如果出现缺少模块的情况（no module named）

回到博客最开始部分，使用换源的方法补充安装yolov5的依赖。

如果出现 （页面太小，无法完成操作）的相关问题

那是虚拟内存不足，重新打开页面或者重启电脑试试（这个方法解决的可能性比较低），降低线程 --workes (默认是8) 。最后再试试调小 --batch-size，降低 --epoch

我有几个同学 --workers指定为0才成功。

如果都不行，可以看看这个链接 https://product.pconline.com.cn/itbk/software/dnyw/1707/9679137.html

如果训练过程中出现 memory error

那是内存超了，减小 --batch-size 试试，如果还不行降低 --epoch。

我同学将 --epoch 设为100次，–batch-size设为3才成功。 –epoch建议尽量在100次往上吧

重复训练的话，你也许需要将这两个缓存清除掉。

训练时或者训练后可以利用 tensorboard 查看训练可视化

与训练一样，进入pytorch环境，进入yolov5文件夹执行。

我们使用刚刚训练出的最好的模型 best.pt 来测试，在yolov5目录下的 runs/train/exp/weights 。

../ 代表当前目录的上一级目录

测试结果保存在 yolov5/runs/detect 目录下

这个就请查看第一个参考链接了，我就不说明了，注意下版本问题哈

YOLOv5训练自己的数据集（超详细完整版）_深度学习菜鸟的博客-CSDN博客_yolov5训练自己的数据

【小白CV】手把手教你用YOLOv5训练自己的数据集（从Windows环境配置到模型部署） (icode9.com)

有帮助的话，不求一键三连，点个赞还是可以的吧，笔芯

这些问题都是在我朋友身上遇到的，各种纷杂问题都有，这里只保留了部分问题。