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 |
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：  环境配置硬件：显卡（GPU）,显存4G以上。（无GPU训练慢）内存（4G以上）软件：windows / linuxcuda / cudnn：（模型训练加速工具）pycharm（python IDE）： https://www.jetbrains.com/pycharm/anaconda （python package管理工具）：https://www.anaconda.com/安装yolov5训练所需的第三方库：检查是否正确安装好anaconda。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  数据标注1.安装labelimgpip install labelimg 2.打开labelimg# 在命令行中输入labelimg即可打开
labelimg 3.打开你所需要进行标注的文件夹点击Open Dir -> 选择需要标注的文件夹 -> ok  4.选择yolo标注格式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。  5.打标签点击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  6.保存点击save，保存txt。 yolov5模型训练1.使用pycharm打开yolov5项目 2.选择虚拟环境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  3.测试代码是否能够正常运行这时，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。 6.下载预训练模型现在，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：  7.开始训练打开命令行，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   模型测试模型训练完成后，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  下一篇文章预告pt模型转ncnnncnn部署
|
【本文地址】
今日新闻 |
推荐新闻 |