利用YOLOV5训练自己的数据/
对于训练模型标注图片应该是一繁琐的过程，推荐一下自动标注
https://www.cnblogs.com/zhaoyingjie/p/14519764.html
执行以下命令做好准备工作
git clone https://github.com/ultralytics/yolov5 # 下载 yolov5 项目 python3 -c "from yolov5.utils.google_utils import gdrive_download; gdrive_download('1n_oKgR81BJtqk75b00eAjdv03qVCQn2f','coco128.zip')" # 下载官方例子的数据集 cd yolov5 #进入yolov5 项目文件 pip install -U -r requirements.txt #安装需求
有的人在python3 -c 下载数据集这一步出错，现提供百度云下载地址。
另附权重文件百度云下载地址。
coco128 提取码：55q6
yolov5权重文件 密码: gt7l
权重文件更新了20200728-13:33
该项目github地址：github-yolov5
1.requirements
很多人在 pip install -U -r requirements.txt 这一步报错了，比如我，那么就请手动安装吧！
依次执行 pip install
如下方式
pip install numpy==1.17 pip install python==3.7 ###下面所有的需要全部装一遍，可以参照 yolov5下的 requirements.txt 文件
Python>=3.7 PyTorch>=1.5 Cython numpy==1.17 opencv-python torch>=1.5 matplotlib pillow tensorboard PyYAML>=5.3 torchvision scipy tqdm git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI
2.训练自定义数据
2.1创建Dataset.yaml
这里官方的例子使用的是coco128.yaml，这是一个小型教程数据集，由COCO train2017 中的前128张图像组成。在此示例中，这些相同的128张图像用于训练和验证。coco128.yaml定义1）训练图像目录的路径（或带有训练图像列表的* .txt文件的路径），2）与我们的验证图像相同的路径，3）类数，4）类列表名称：
＃train和Val的数据集（图像目录或* .txt与图像路径文件） train： …/coco128/images/train2017/ VAL： …/coco128/images/train2017/ ＃class number nc： 80 ＃类名称 名称： [“人”，“自行车”，“汽车”，“摩托车”，“飞机”，“公共汽车”，“火车”，“卡车”，“船”，“交通灯”， “消防栓” ”，“停车标志”，“停车计时器”，“长凳”，“鸟”，“猫”，“狗”，“马”，“绵羊”，“牛”， “大象”，“熊”，“斑马” '，‘长颈鹿’，'背包，‘雨伞’，‘手袋’，‘领带’，‘手提箱’，‘飞盘’， ‘滑雪板’，‘滑雪板’，‘运动球’，‘风筝’，‘棒球棒’，“棒球手套”，“滑板”，“冲浪板”， “网球拍”，“瓶”，“酒杯”，“杯”，“叉”，“刀”，“勺子”，“碗”，“香蕉” ，“苹果”， “三明治”，“橙色”，“西兰花”，“胡萝卜”，“热狗”，“比萨饼”，“甜甜圈”，“蛋糕”，“椅子”，“沙发”， “盆栽”，“床”，“餐桌” ”，“厕所”，“电视”，“笔记本电脑”，“鼠标”，“遥控器”，“键盘”， “手机”，“微波炉”，“烤箱”，“烤面包机”，“水槽”，“冰箱” ，“书”，“时钟”，“花瓶”，“剪刀”， “泰迪熊”，“吹风机”，“牙刷”]
如果使用自己建立的数据集 要修改的参数有
train：换成你自己的训练集地址
val：换成自己的val地址
nc: 换成你自己定义的类别的数量
类名称：换成自己定义的类别的名称
2.2创建标签
使用Labelbox和CVAT工具进行图像标记，将标签导出为darknet格式，×.txt每张图像一个文件(如果图像中没有对象，则不需要×.txt文件)。txt文件内容有：
每个对象一行
每行都是class x_center y_center width height格式
框坐标必须采用归一化的xywh格式（从0到1）。如果boxes以像素为单位，划分x_center和width关于图像宽度，y_center和height关于图像高度。
类别定义利用序号，一般从0开始。
每个图像的标签文件应该可以通过在其路径名中简单地替换/images/ *.jpg为/labels/*.txt来定位。
例如
数据集/图像/ train2017 / 000000109622.jpg ＃图像
数据集/标签/ train2017 /000000109622.txt ＃标签
具有5个人（所属类别定义为0）的标签文件
2.3组织目录
数据集/coco128放在/yolov5项目的旁边，数据集/coco128下包含两个文件夹。
一个为/coco128/images，另一个为/coco128/labels，里面分别存放数据集图片和数据集标注信息。
2.4选择模型
从./models文件夹中，选择模型。yolov5提供了五个模型，这里我们以yolov5s.yaml为例子，双击打开，更新其中参数适应2.1中定义的类别。这里一般不用动更新nc就可以了。就是匹配你自己数据集的类别就可以了，其他的参数一般不做优化不需要动。
#parameters nc: 80 #number of classes <------------------ 更新它匹配你自己的数据集 depth_multiple: 0.33 # model depth multiple width_multiple: 0.50 # layer channel multiple #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 #YOLOv5 backbone backbone: #[from, number, module, args] [[-1, 1, Focus, [64, 3]], # 1-P1/2 [-1, 1, Conv, [128, 3, 2]], # 2-P2/4 [-1, 3, Bottleneck, [128]], [-1, 1, Conv, [256, 3, 2]], # 4-P3/8 [-1, 9, BottleneckCSP, [256, False]], [-1, 1, Conv, [512, 3, 2]], # 6-P4/16 [-1, 9, BottleneckCSP, [512, False]], [-1, 1, Conv, [1024, 3, 2]], # 8-P5/32 [-1, 1, SPP, [1024, [5, 9, 13]]], [-1,12, BottleneckCSP, [1024, False]], # 10 ] #YOLOv5 head head: [[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 12 (P5/32-large) [-2, 1, nn.Upsample, [None, 2, ‘nearest’]], [[-1, 6], 1, Concat,[1]], # cat backbone P4 [-1, 1, Conv, [512, 1, 1]], [-1, 3,BottleneckCSP, [512, False]], [-1, 1, nn.Conv2d, [na * (nc + 5), 1,1, 0]], # 16 (P4/16-medium) [-2, 1, nn.Upsample, [None, 2, ‘nearest’]], [[-1, 4], 1, Concat,[1]], # cat backbone P3 [-1, 1, Conv, [256, 1, 1]], [-1, 3,BottleneckCSP, [256, False]], [-1, 1, nn.Conv2d, [na * (nc + 5), 1,1, 0]], # 21 (P3/8-small) [[], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5) ]
2.5训练
可以从0开始训练也可以加载–cfg yolov5s.yaml --weights 通过传递匹配的权重文件从预训练的检查点进行训练：–cfg yolov5s.yaml --weights yolov5s.pt。
# Train YOLOv5s on coco128 for 5 epochs $ python train.py --img 640 --batch 16 --epochs 5 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights ''
需要调整的参数
train.py
if __name__ == '__main__': check_git_status() parser = argparse.ArgumentParser() parser.add_argument('--epochs', type=int, default=5) parser.add_argument('--batch-size', type=int, default=4) parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='*.cfg path') parser.add_argument('--data', type=str, default='data/coco128.yaml', help='*.data path') parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='train,test sizes') parser.add_argument('--rect', action='store_true', help='rectangular training') parser.add_argument('--resume', action='store_true', help='resume training from last.pt') parser.add_argument('--nosave', action='store_true', help='only save final checkpoint') parser.add_argument('--notest', action='store_true', help='only test final epoch') parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check') parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters') parser.add_argument('--bucket', type=str, default='', help='gsutil bucket') parser.add_argument('--cache-images', action='store_true', help='cache images for faster training') parser.add_argument('--weights', type=str, default='', help='initial weights path') parser.add_argument('--name', default='', help='renames results.txt to results_name.txt if supplied') parser.add_argument('--device', default='0', help='cuda device, i.e. 0 or 0,1,2,3 or cpu') parser.add_argument('--adam', action='store_true', help='use adam optimizer') parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%') parser.add_argument('--single-cls', action='store_true', help='train as single-class dataset') opt = parser.parse_args()
epochs：指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点。
batch-size：一次看完多少张图片才进行权重更新，梯度下降的mini-batch,显卡不行你就调小点。
cfg：存储模型结构的配置文件
data：存储训练、测试数据的文件
img-size：输入图片宽高,显卡不行你就调小点。
rect：进行矩形训练
resume：恢复最近保存的模型开始训练
nosave：仅保存最终checkpoint
notest：仅测试最后的epoch
evolve：进化超参数
bucket：gsutil bucket
cache-images：缓存图像以加快训练速度
weights：权重文件路径
name： 重命名results.txt to results_name.txt
device：cuda device, i.e. 0 or 0,1,2,3 or cpu
adam：使用adam优化
multi-scale：多尺度训练，img-size +/- 50%
single-cls：单类别的训练集
test.py
f __name__ == '__main__': parser = argparse.ArgumentParser(prog='test.py') parser.add_argument('--weights', type=str, default='weights/yolov5s.pt', help='model.pt path') parser.add_argument('--data', type=str, default='data/coco128.yaml', help='*.data path') parser.add_argument('--batch-size', type=int, default=16, help='size of each image batch') parser.add_argument('--img-size', type=int, default=640, help='inference size (pixels)') parser.add_argument('--conf-thres', type=float, default=0.001, help='object confidence threshold') parser.add_argument('--iou-thres', type=float, default=0.65, help='IOU threshold for NMS') parser.add_argument('--save-json', action='store_true', help='save a cocoapi-compatible JSON results file') parser.add_argument('--task', default='val', help="'val', 'test', 'study'") parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu') parser.add_argument('--single-cls', action='store_true', help='treat as single-class dataset') parser.add_argument('--augment', action='store_true', help='augmented inference') parser.add_argument('--merge', action='store_true', help='use Merge NMS') parser.add_argument('--verbose', action='store_true', help='report mAP by class') opt = parser.parse_args() opt.save_json = opt.save_json or opt.data.endswith('coco.yaml') opt.data = check_file(opt.data) # check file print(opt)
同理这里的batch_size image_size ,显卡不行你就调小点。
这就解决了yolov5 训练时会出现的pytorch出现RuntimeError: CUDA out of memory.
2.6可视化
这算是yolov5提供的一个新的功能，在训练开始之后，可以通过查看train*.jpg图像以查看训练图像，标签和增强效果。
在每代训练完成后，可以通过test_batch0_gt.jpg，来看它们的标签还真是标注的边框。
可以通过查看test_batch0_pred.jpg 来查看每代的预测结果
训练的损失和性能指标保存在tensorboard和results.txt日志文件中。训练完成后results.txt绘制results.png。在这里，我显示了从coco128开始训练到100个代YOLOv5，从零开始（橙色），从预训练的yolov5s.pt权重（蓝色）开始：
3 补充
3.1 解决 KeyError: "weights/yolov5s.pt is not compatible with models/yolov5s.yaml.
这个很明显权重文件过期了，没办法，需要重新下载，下载地址
yolov5权重下载地址。
这个是谷歌云，有点慢，开VPN吧。这两天有空的话我全下载下载把百度云更新下。
下载好了放进weights文件夹就好了。
3.2解决 运行 train 然后pytorch出现RuntimeError: CUDA out of memory.
参照2.5训练，改小参数就可以了。就可以解决了
3.3 更新
目前github还在更新，定期下载更新下yolov5文件
原文链接：https://blog.csdn.net/ai_faker/article/details/107099907