yolov5 训练自己的数据集

本文将介绍如何使用yolov5训练自己的数据集以及使用自己训练的模型。

  1. 配置yolov5环境

  2. 首先下载yolov5项目源码
    进入项目地址:https://github.com/ultralytics/yolov5下载或者
  3. git clone https://github.com/ultralytics/yolov5 
    
  4. 然后使用您的python编译器(我用的是pycharm)打开yolov5项目源码,我们可以安装anaconda来创建新的conda环境,具体安装方式本文不细讲。安装好之后点开这个文件。
    anaconda
    输入
  5. conda create -n your_env_name python=x.x #填入你的创建的环境名和python版本
    activate your_env_name #激活你创建的环境。
    

    anaconda

    anaconda创建的环境会新创建一个python解释器,如果要用编辑器请先更换到对应的python环境中,例如pycharm。打开file->sitting->project->interpreter,选择你要用的环境,如果没有就点+号新建一个。

  6. 在项目中打开终端,使用pip下载依赖库。
  7. pip install -r requirements.txt  
    

    如果出现下载失败的问题有两种情况:

    1. 网络速度慢,使用清华镜像源,使用方法:
    pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
    
    1. 版本问题,解决方法:哪个下载失败就重新下载哪个依赖库,不加上版本或者找到你python对应的版本。例如:
    pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
    
  8. 当依赖库下载完成后我们要先开始制作自己的数据集
    1. 安装labelimg
    pip install labelimg 
    

    或者去这个地址下载https://github.com/tzutalin/labelImg
    打开labelimg opendir 打开自己要训练数据用的文件夹,将标注格式选为yolo格式(原版标注的数据是xml,yolo格式是txt,可以用标注出的文件来区分)

  9. 使用yolov5训练自己的数据集

  10. File -> Settings -> Project:yolov5 -> Python Interpreter -> add -> Conda Enviroment -> Existing Enviroment -> 选择你的虚拟环境路径 -> ok

  11. 制作自己的数据集将图片和标注数据按9:1或8:2的比例按如下格式放置:

  12. dataset #(自己数据集的名字) 
    ├── images      
       ├── train          
              ├── xx.jpg     
       ├── val         
              ├── xx.jpg 
    ├── labels      
       ├── train          
              ├── xx.txt     
       ├── val         
              ├── xx.txt 
    
  13. 在yolov5的data文件夹下创建 数据集名.yaml
  14. # 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
    
    #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。
    
  15. 下载一个预训练模型,https://link.zhihu.com/?target=https%3A//github.com/ultralytics/yolov5/releases,然后将模型放到yolov5文件夹下。
  16. 开始训练,点击右上角train -> Edit Configurations:
    TODO:
  17. --weights yolov5s.pt --data data/fire.yaml --workers 1 --batch-size 8 
    
  18. 用训练的数据集进行预测

  19. 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:
  20. python detect.py --weights best.pt --source ../datasets/数据集名/images/val #根据自己的路径写。
    
  21. weights:
  22. 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
    
  23. source:
  24. 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
    

    测试结果放在runs/detect/exp*中.

物联沃分享整理
物联沃-IOTWORD物联网 » yolov5 训练自己的数据集

发表评论