1 yolov5

下载yolov5：github链接。

1.1 环境配置

下载好yolov5文件后，cd到文件路径创建yolov5的环境，终端输入conda create -n yolov5 python==3.7,进入环境conda activate yolov5,安装requirements中的环境pip install -r requirements.txt。

1.2 测试代码

按照需求更改测试代码中的参数，这里我直接测试几张照片。

python detect.py

输出结果保存在runs文件夹下
测试成功，说明环境建立正确，接着制作自己的数据集进行训练。

2 数据集制作

2.1 官网数据集结构

我们可以看下官方给出的训练数据的传入方式，有两种，如图，第一种直接将训练文件的路径写入txt文件传入。第二种直接传入训练文件所在文件夹。

第一种：
第二种：
这里我们按照第二种建立数据集，官网提供了数据集的tree:

也就是下面的树状结构：

mytrain
├── mycoco
│   ├── images
│   │   ├── train
│   │   └── val
│   └── labels
│       ├── train
│       └── val
└── yolov5

2.2 训练数据集制作

首先建立一个自己的数据文件夹：mycoco

其目录结构如下：（剩下的文件架构代码生成）

mycoco
├── all_images
├── all_xml
├── make_txt.py
└── train_val.py

其中all_images文件夹下放置所有图片，all_xml文件夹下放置所有与之对应的xml文件。

make_txt.py文件是用来划分数据集使用，内容如下：

import os
import random
trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'all_images'
txtsavepath = 'ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv) #从所有list中返回tv个数量的项目
train = random.sample(trainval, tr)
if not os.path.exists('ImageSets/'):os.makedirs('ImageSets/')
ftrainval = open('ImageSets/trainval.txt', 'w')
ftest = open('ImageSets/test.txt', 'w')
ftrain = open('ImageSets/train.txt', 'w')
fval = open('ImageSets/val.txt', 'w')
for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftrainval.write(name)if i in train:ftest.write(name)else:fval.write(name)else:ftrain.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

划分完的数据分布为：

├── train                  占90%
└── trainval               占10%├── test               占90%*10%└── val                占10%*10%

该目录终端下运行：

python make_txt.py

运行结果，生成四个只包含图片名称的txt文件：

接着运行train_val.py,该文件一方面将all_xml中xml文件转为txt文件存于all_labels文件夹中，另一方面生成训练所需数据存放架构。（这里如果你的数据直接是txt的标签的话将标签转化的功能注释掉即可）代码如下：

import xml.etree.ElementTree as ET
import pickle
import os
import shutil
from os import listdir, getcwd
from os.path import join
sets = ['train', 'trainval']
classes = ['car','chemicals vehicle','truck','bus','triangle warning sign','warning sign','warning slogan']
def convert(size, box):dw = 1. / size[0]dh = 1. / size[1]x = (box[0] + box[1]) / 2.0y = (box[2] + box[3]) / 2.0w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn (x, y, w, h)
def convert_annotation(image_id):in_file = open('all_xml/%s.xml' % (image_id))out_file = open('all_labels/%s.txt' % (image_id), 'w')tree = ET.parse(in_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):difficult = obj.find('difficult').textcls = obj.find('name').textif cls not in classes or int(difficult) == 1:continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))bb = convert((w, h), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
print(wd)
for image_set in sets:if not os.path.exists('all_labels/'):os.makedirs('all_labels/')image_ids = open('ImageSets/%s.txt' % (image_set)).read().strip().split()image_list_file = open('images_%s.txt' % (image_set), 'w')labels_list_file=open('labels_%s.txt'%(image_set),'w')for image_id in image_ids:image_list_file.write('%s.jpg\n' % (image_id))labels_list_file.write('%s.txt\n'%(image_id))convert_annotation(image_id) #如果标签已经是txt格式，将此行注释掉，所有的txt存放到all_labels文件夹。image_list_file.close()labels_list_file.close()def copy_file(new_path,path_txt,search_path):#参数1：存放新文件的位置  参数2：为上一步建立好的train,val训练数据的路径txt文件  参数3：为搜索的文件位置if not os.path.exists(new_path):os.makedirs(new_path)with open(path_txt, 'r') as lines:filenames_to_copy = set(line.rstrip() for line in lines)# print('filenames_to_copy:',filenames_to_copy)# print(len(filenames_to_copy))for root, _, filenames in os.walk(search_path):# print('root',root)# print(_)# print(filenames)for filename in filenames:if filename in filenames_to_copy:shutil.copy(os.path.join(root, filename), new_path)#按照划分好的训练文件的路径搜索目标，并将其复制到yolo格式下的新路径
copy_file('./images/train/','./images_train.txt','./all_images')
copy_file('./images/val/','./images_trainval.txt','./all_images')
copy_file('./labels/train/','./labels_train.txt','./all_labels')
copy_file('./labels/val/','./labels_trainval.txt','./all_labels')

该目录终端下运行：

python train_val.py

运行结果:

mytrain
├── mycoco
│   ├── all_images
│   ├── all_labels
│   ├── all_xml
│   ├── ImageSets
│   │   ├── train.txt
│   │   ├── test.txt
│   │   ├── trainval.txt
│   │   └── val.txt
│   ├── images
│   │   ├── train
│   │   └── val
│   ├── labels
│        ├── train
│        └── val
│   ├── images_train.txt
│   ├── images_trainval.txt
│   ├── labels_train.txt
│   ├── labels_trainval.txt
│   ├── make_txt.py
│   └── train_val.py
└── yolov5

至此数据集已经完全建好。将制作好的mycoco文件夹与下载好的yolov5文件夹放入同一级文件夹中：

接着按照yolov5-master/data/coco128.yaml文件，制作mycoco.yaml文件(与coco128.yaml文件同目录)：

# Default dataset location is next to /yolov5:
#   /parent_folder
#     /mycoco
#     /yolov5# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ../mycoco/images/train/
val: ../mycoco/images/val/  # number of classes
nc: 7# class names
names: ['car','chemicals vehicle','truck','bus','triangle warning sign','warning sign','warning slogan' ]

3 开始训练

接着打开train.py文件，train.py文件详解，更改相应的参数（预训练模型，训练的数据集），这里使用yolov5s.pt为预训练模型，更改yolov5s.yaml文件中的参数（自己的类别数）。

然后就可以开始训练了。

4 测试效果

训练完以后可以看到在runs/train/exp/weights下生成了训练好的权重文件best.pt和last.pt，接着我们用训练好的权重文件进行测试，打开detect.py文件
修改权重文件路径和输入测试文件,然后run
runs/detect/exp下我们看看测试效果（这里为了走流程，我的训练参数设置的简单，所以精度肯定不行）

5 补充训练过程的可视化

首先在该环境的终端下安装工具：

pip install wandb

终端下输入：

然后训练，如果报错：wandb.errors.error.UsageError: api_key not configured (no-tty). Run wandb login
那么需要终端初始化以下：

wandb init

按照提示复制api
然后启动重新训练，我们可以再下面的连接中观察训练的动态信息：

或者直接上https://wandb.ai/home观看自己的训练。
关于tensorboard的的使用可以看Github.
关于yolo的参数设置可以参看link.
关于训练可视化可参看link.

yolov5训练自己的数据集（一文搞定训练）相关推荐

【语义分割】综述——一文搞定语义分割
本文记录了博主阅读的关于语义分割(Semantic Segmentation)的综述类文章的笔记,更新于2019.02.19. [语义分割]综述--一文搞定语义分割参考文献网址 An overvie ...
一文搞定Matplotlib 各个示例丨建议收藏
摘要:Matplotlib 是 Python 的绘图库. 它可与 NumPy 一起使用 ,Matplotlib也是深度学习的常用绘图库,主要是将训练的成果进行图形化,因为这样更直观,更方便发现训练中的 ...
php带参数单元测试_一文搞定单元测试核心概念
基础概念单元测试(unittesting),是指对软件中的最小可测试单元进行检查和验证,这里的最小可测试单元通常是指函数或者类.单元测试是即所谓的白盒测试,一般由开发人员负责测试,因为开发人员知道被 ...
【Python基础】一文搞定pandas的数据合并
作者:来源于读者投稿出品:Python数据之道一文搞定pandas的数据合并在实际处理数据业务需求中,我们经常会遇到这样的需求:将多个表连接起来再进行数据的处理和分析,类似SQL中的连接查询功能 ...
一文搞定Swing和Qt按钮和文本框的创建
一文搞定Swing和Qt按钮和文本框的创建 Qt的截图 java的源码 package com.lujun;import java.awt.Container;import javax.swing. ...
一文搞定C#关于NPOI类库的使用读写Excel以及io流文件的写出
一文搞定C#关于NPOI类库的使用读写Excel以及io流文件的写出今天我们使用NPOI类库读写xlsx文件, 最终实现的效果如图所示从太平洋官网下载相应的类库,大概4~5MB,不要从github ...
一文搞定Qt读写excel以及qt读写xml数据
一文搞定Qt读写excel以及qt读写xml数据最终的实现效果图 RC_ICONS = logo.ico .pro文件同级目录下加入 logo.ico 图标文件,运行文件,文件的图标就被写入软件 u ...
一文搞定 Spring Data Redis 详解及实战
转载自一文搞定 Spring Data Redis 详解及实战 SDR - Spring Data Redis的简称. Spring Data Redis提供了从Spring应用程序轻松配置和访问 ...

yolov5训练自己的数据集（一文搞定训练）

目录