保姆式yolov5教程,训练你自己的数据集 |
您所在的位置:网站首页 › yolo用中文怎么说 › 保姆式yolov5教程,训练你自己的数据集 |
注:本文在windows下进行演示。本人机器配置如下所示: windows+r打开cmd,输入 conda -V。若出现版本号,则安装成功。 2.新建虚拟环境 conda create -n your_env_name python=x.x -y # 例如 conda create -n yolov5 python=3.7 -y虚拟环境新建成功后,会显示 3.激活虚拟环境(激活后,第三库将会安装在该虚拟环境下,方便管理) conda activate your_env_name # 例如 conda activate yolov5激活成功后,如下图所示 4. 下载yolov5代码 如果你有git,则使用git clone git clone https://github.com/ultralytics/yolov5 # clone如果你没有git,在windows,你可以使用Dwonload ZIP下载代码项目。 yolov5代码地址:https://github.com/ultralytics/yolov5 注意:yolov5的代码是最新的v6.0版本 5.安装yolov5所需要的第三方库 进入yolov5文件夹目录 cd [path_to_yolov5]如下图所示 安装第三方库 pip install -r requirements.txt如下图所示,等待安装完成 点击Open Dir -> 选择需要标注的文件夹 -> ok 点击红色框区域进行标注格式切换,我们需要yolo格式,因此切换到yolo。 点击Create RectBo -> 拖拽鼠标框选目标 -> 给上标签 -> 点击ok。 注:若要删除目标,右键目标区域,delete即可 点击save,保存txt。 yolov5模型训练1.使用pycharm打开yolov5项目File -> Settings -> Project:yolov5 -> Python Interpreter -> add -> Conda Enviroment -> Existing Enviroment -> 选择你的虚拟环境路径 -> ok 设置成功后,在pycharm的右下角,会出现你的虚拟环境名字 这时,你运行train.py,代码会自动帮你下载演示数据集以及预训练模型,并且开始训练。 若运行正常,则说明环境安装正确。 4.训练自己的数据(数据准备)很多同学为了做毕设或者课程设计,要做火焰识别,因此这里选择火焰数据集作为演示。 数据集格式介绍: dataset #(数据集名字:例如fire) ├── images ├── train ├── xx.jpg ├── val ├── xx.jpg ├── labels ├── train ├── xx.txt ├── val ├── xx.txt注意:一张图片(xxx.jpg)对应一个标签(xxx.txt)。 如00000.jpg对应标签00000.txt。 txt中存放标签数据,每一行数字分别表示:目标类别,x,y,w,h 例如: 0 0.55882 0.77297 0.33824 0.24865其中 - :对象的标签索引(标签索引从0开始) - x,y是目标的中心坐标,width,height是目标的宽和高。这些坐标是通过归一化的,其中x,width是使用原图的width进行归一化;而y,height是使用原图的height进行归一化。 5.训练自己的数据(添加数据配置文件)在yolov5/data文件夹下新建fire.yaml。 内容如下所示: # Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..] path: E:\for_test_proj\yolov5_ncnn\datasets\fire # dataset root dir train: images/train # train images (relative to 'path') val: images/val # val images (relative to 'path') test: # test images (optional) # Classes nc: 1 # number of classes names: ['fire'] # class names其中: path:数据集的根目录train:训练集与path的相对路径val:验证集与path的相对路径nc:类别数量,因为这个数据集只有一个类别(fire),nc即为1。names:类别名字。现在,我们准备好了数据,接下来,下载好预训练模型,即可开始训练了! 预训练模型地址:https://github.com/ultralytics/yolov5/releases 选择你所需要的模型下载即可,这里我选择yolov5s.pt下载。 模型下载完成后,将xx.pt复制在yolov5文件夹下。如下图所示: 打开命令行,点击train -> Edit Configurations: 在Parameters,输入对应参数命令 --weights yolov5s.pt --data data/fire.yaml --workers 1 --batch-size 8至此,模型则开始训练 中间的可视化结果以及训练好的模型保存在runs文件夹下 模型训练完成后,将runs/exp/weights下的模型(best.pt)复制在yolov5文件夹下。如下图所示: 开始测试 python detect.py --weights best.pt --source ../datasets/fire/images/val其中参数: weights:是你训练好的模型的路径,并且weights支持以下几种格式。Usage - formats: $ python path/to/detect.py --weights yolov5s.pt # PyTorch yolov5s.torchscript # TorchScript yolov5s.onnx # ONNX Runtime or OpenCV DNN with --dnn yolov5s.xml # OpenVINO yolov5s.engine # TensorRT yolov5s.mlmodel # CoreML (macOS-only) yolov5s_saved_model # TensorFlow SavedModel yolov5s.pb # TensorFlow GraphDef yolov5s.tflite # TensorFlow Lite yolov5s_edgetpu.tflite # TensorFlow Edge TPU--source:是你测试的数据路径,它支持以下几种输入Usage - sources: $ python path/to/detect.py --weights yolov5s.pt --source 0 # webcam img.jpg # image vid.mp4 # video path/ # directory path/*.jpg # glob 'https://youtu.be/Zgi9g1ksQHc' # YouTube 'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream测试结果保存在runs/detect下 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |