yolov5使用教程

yolov4的热度还没有过去，yolov5就来了，但是，Yolov5并不是yolov4的作者开发的，是一个牛逼团队开发的，据这个团队在github上的介绍，yolov5速度更快，精确到更高，模型也只有几十兆到一百兆之间，瞬间觉得很牛逼呀，但是一直对其保持着怀疑态度，正巧，这段时间，报了一个小比赛，就用yolov4和yolov5都去跑了一下，效果还在对比中，后续可能会给出结论来，估计跟作者说的也差不多。

yolov5的操作流程，比yolov4的操作流程，我个人觉得，要简单一些，大家有兴趣可以去看看开发团队给的教程：yolov5官方教程

我这呢，也就是总结一下我的操作过程：

第一步：将整个代码从github上下载下来，这个我就不细说了

第二步：创建自己的数据集，数据集的目录格式如下：

基本上就是在你的yolov5目录下面的data文件夹下面创建一个属于你的数据的文件夹A，然后在A里面创建两个子目录，images和labels，然后再这两个文件夹下面又创建两个子文件夹，注意images和labels下面的子文件夹的名字要一样。

至于你要如何将你的数据弄成上面的这种形式，我这就不细说了，注意一点，图片和标签文件的名字要对应上，然后就是标签文件的形式是 类别 中心点x,中心点y, 边框宽度w, 边框高度h, 每个人的情况不一样，我的yolov4的那篇文章有些代码可以借鉴一下，大家如果觉得这块比较麻烦头疼，留言就行，我看情况将自己做这的代码给出来。我觉得这块对你们应该都不是问题。

第三步：修改两个文件，这两个文件的模板分别在你的yolov5目录下面的data和models目录下面。比如作者给的data目录下的coco128.yaml文件：
在这里，我们需要修改的地方就是train和val以及nc和names那四行，分别对应的是训练图片的路径，验证图片的路径，以及你的数据总的类别数量，和那些类别有哪些。这里有一个需要注意的地方，train:和val:以及nc:，name:这些后面要有一个空格跟路径这些隔开，不然会报错。。接下来，我们修改第二个文件，这第二个文件在models目录下面,比如models/ yolov5s.yaml，如下所示：
这个文件就更简单了，只需要nc:那行跟第一个文件对应上就可以了，还是要注意空格这个问题。

第四步：直接开始训练，训练命令如下：

python train.py --img 640 --batch 16 --epochs 5 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights weighs/yolov5s.pt

这里的–img代表的是输入网络的图片预处理后的照片尺寸，这里貌似没有像yolov4那种最低尺寸要四百多(纠正一个错误，刚刚发现yolov4里面只要输入尺寸是32的倍数都可以，所以128的尺寸输入也是可以训练的），我输入128也能训练，–batch就是每次输入网络的照片数量，这里如果太大了会超过gpu的显存，根据实际情况调整吧。–epoch代表要训练的循环次数，根据你的想法调。–data后面就是我们上一步更改的第一个文件，–cfg就是上一步更改的第二个文件，–weights就是开发团队训练好的模型，用来进行迁移训练，你可以加上也可以不加，不加的话可能就是训练效果不好以及训练时长更长。这个需要自己去作者给的链接去下载，我直接给你们链接吧，也是其它大佬分享的，训练好的模型这些应该都在里面，让那些没有梯子的老铁去百度云下载

链接：https://pan.baidu.com/s/1wqlTgj5EdlTpK4n_CKDRwQ
提取码：hfrp

好了，基本步骤就是这样了，大家要注意一下模型的选择，开发团队给了四个模型，这四个模型的效果如下所示：
我们在第四步中输入命令的时候，–cfg 和–weights要注意选择，看上面那张图我们可以发现，速度越慢，fps越高，模型越大，ap值就越大，准确度就越高，你要根据你的应用场景去选择。

至于效果，由于是训练的自己的比赛数据，所以就不展示了，我感觉效果还不错。我其实对这个团队的设计原理，模型框架还是很感兴趣的，希望这个团队后面能出论文来介绍一下他们这个网络和创新点吧。

刚刚看了哈我用yolov5-x的预训练模型去跑我的数据，跑下来的模型大小有接近700M,而我用yolov4跑下来的模型，大小只有200多M，所以，我开始对这个团队说的模型更小开始保持怀疑了,而且这个效果，我的数据是那种非常规的数据，感觉没有yolov4好。

2020 6.23