YOLOV5测试及训练自己的数据集

首先说一下软硬件配置这一块：win10 + i7-9700kf + rtx2070Super + cuda10.2 + anaconda

一、YOLOv5 实现检测

1.1 下载源码

进入官方地址，进行源码下载   https://github.com/ultralytics/yolov5[大概4M左右]

1.2 下载官方模型(.pt文件)

1.3 配置虚拟环境

1.4 进行测试

进入到yolov5根目录下，我这里是用的powershell，你也可以在控制台，都是一样的。
运行测试文件:   python detect.py –source 0 【0:是指定的本机摄像头】PS:我特么的竟然一次运行成功，多少是挺失望

↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓雷霆嘎巴↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓
↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓ZBC↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓

二、YOLOV5 实现训练

2.1 首先是准备数据集

★    数据集的准备工作，我以前的博客有细写过，—>>传送门
★    数据集准备好后，一定先确保label和JPEGImages这两个文件夹在同一目录里

2.2 文件修改

2.2.1 修改数据集方面的yaml文件

作者是把以前用的.data、.names文件合并到了data/coco.yaml中，打开coco.yaml进行修改

# COCO 2017 dataset http://cocodataset.org # Download command: bash yolov5/data/get_coco2017.sh # Train command: python train.py --data ./data/coco.yaml # Dataset should be placed next to yolov5 folder: # /parent_folder # /coco # /yolov5 # 这些是生成的图片的路径文件，这里是我自己的路径，需要修改成你自己的路径，绝对路径也ok train: ../coco/2007_train.txt # 118k images val: ../coco/2007_val.txt # 5k images test: ../coco/2007_test.txt # 20k images for submission to https://competitions.codalab.org/competitions/20794 # 你数据集的类别数 nc: 1 # 类别的名称 names: ['cell phone'] # Print classes # with open('data/coco.yaml') as f: # d = yaml.load(f, Loader=yaml.FullLoader) # dict # for i, x in enumerate(d['names']): # print(i, x) 

2.2.2 修改网络参数方面的yaml文件

这个相当于以前版本的.cfg文件，在models/yolov3-spp.yaml【当然，你想用哪个模型就去修改对应的yaml文件】

# parameters nc: 1 # 数据集类别数 depth_multiple: 1.0 # expand model depth width_multiple: 1.0 # expand layer channels # anchors【你也可以使用k-means去产出你自己数据集的anchors】 anchors: - [10,13, 16,30, 33,23] # P3/8 - [30,61, 62,45, 59,119] # P4/16 - [116,90, 156,198, 373,326] # P5/32 # darknet53 backbone backbone: # [from, number, module, args] [[-1, 1, Conv, [32, 3, 1]], # 0 [-1, 1, Conv, [64, 3, 2]], # 1-P1/2 [-1, 1, Bottleneck, [64]], [-1, 1, Conv, [128, 3, 2]], # 3-P2/4 [-1, 2, Bottleneck, [128]], [-1, 1, Conv, [256, 3, 2]], # 5-P3/8 [-1, 8, Bottleneck, [256]], [-1, 1, Conv, [512, 3, 2]], # 7-P4/16 [-1, 8, Bottleneck, [512]], [-1, 1, Conv, [1024, 3, 2]], # 9-P5/32 [-1, 4, Bottleneck, [1024]], # 10 ] # yolov3-spp head # na = len(anchors[0]) head: [[-1, 1, Bottleneck, [1024, False]], # 11 [-1, 1, SPP, [512, [5, 9, 13]]], [-1, 1, Conv, [1024, 3, 1]], [-1, 1, Conv, [512, 1, 1]], [-1, 1, Conv, [1024, 3, 1]], [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]], # 16 (P5/32-large) [-3, 1, Conv, [256, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 8], 1, Concat, [1]], # cat backbone P4 [-1, 1, Bottleneck, [512, False]], [-1, 1, Bottleneck, [512, False]], [-1, 1, Conv, [256, 1, 1]], [-1, 1, Conv, [512, 3, 1]], [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]], # 24 (P4/16-medium) [-3, 1, Conv, [128, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 6], 1, Concat, [1]], # cat backbone P3 [-1, 1, Bottleneck, [256, False]], [-1, 2, Bottleneck, [256, False]], [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]], # 30 (P3/8-small) [[], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5) ] 

2.2.3 修改train.py中的一些参数

parser.add_argument('--epochs', type=int, default=200) # 训练的epoch parser.add_argument('--batch-size', type=int, default=16) # batch_size 显卡垃圾的话，就调小点 parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='*.cfg path') parser.add_argument('--data', type=str, default='data/coco.yaml', help='*.data path') parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='train,test sizes') 

2.3开始训练

直接 python train.py 就Ok了

2.4 ？

都已经在训练了，你接下来还有最重要的一步，就是看个日本特产电影啥的，或者是吃个瓜啥的，拉个屎啥的，反正我是去拉屎了?????????????????????????????????????????????
等它训练完就没问题了，但是还是要时不时看一眼，具体看什么，我也不知道呀，反正是看就完事儿了????????????????

都训练完了，测试的话，就不用再说的吧，阿sir，

三、个人对于yolov5的看法

先说一个情况吧，我在复现yolov4时，使用1080p的摄像头进行测试的时候，检测的帧率只有1.7fps（在我的rtx2070s显卡上），不管我如何调整cfg文件里的宽高，基本都无济于事，然后我用480p的摄像头才可以达到20fps，不要搞我啊，阿sir,现在摄像头基本都是在1080p检测的啊，480p怎么能满足！！！！！我不知道为什么图像在相同的cfg参数下，分辨率对检测速度影响会这么大。但是，啊，但是，我在用yolov5的时候，用1080P就可以达到实时，最主要的是yolov5的模型非常小，比yolo的前几个系列小了大概4倍，非常适合做嵌入。对于yolov5，虽然是作者自封的，但是非常达到我心里的预期！！！，不吹不黑，yolov5是我遇到最牛啤的目标检测算法，你说呢，你是不是也这么感觉的呢