YOLOv5模型训练
原文出处
https://xugaoxiang.com/2020/07/02/yolov5-training/
软硬件环境
- ubuntu 18.04 64bit
- anaconda with 3.7
- nvidia gtx 1070Ti
- cuda 10.1
- pytorch 1.5
- YOLOv5
YOLOv5环境配置
请参考之前的文章，YOLOv5目标检测
使用COCO数据集
YOLOv5的预训练模型是基于 COCO 数据集，如果自己想去复现下训练过程，可以依照下面的命令
$ python train.py --data coco.yaml --cfg yolov5s.yaml --weights '' --batch-size 64
yolov5m 48
yolov5l 32
yolov5x 16
COCO的数据集可以通过data文件夹下get_coco2017.sh脚本进行下载，包含图片和lable文件。COCO的数据集实在是太大了，整个压缩包有18G，考虑到自己到的网速还有机器的算力，还是洗洗睡吧。。。
制作自己的数据集
如果没有对应目标的公开数据集，那就只有自己出手收集了，图片到手后，接下来就是艰辛的打标签工作了，这里使用工具LabelImg，下载地址是
https://github.com/tzutalin/labelImg/releases/tag/v1.8.1
LabelImg使用Qt做了图形化的界面，操作还是很方便的，这也是选择它的理由，它提供了默认的class，如果你不需要这些类型的话，可以将其删除
接下来就可以打开exe文件，点击Open导入图片，按下快捷键w，选定目标后，会弹出输入框，写上class名称，就可以了，如果有多个目标，那就继续标
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZT8OXIjR-1593679533741)(https://image.xugaoxiang.com/imgs/2020/07/a909c99b3162803d.png)]
labelImg还支持文件夹的导入，在标完一张后，在左侧选择Next Image就可以切换到下一张继续了。输出格式部分，目前labelImg支持YOLO和PascalOVC2种格式，前者标签信息是存储在txt文件中，而后者是存储在xml中
打完标签后，就可以进行保存了，图片和标签文件我们分开存放，但是文件名是对应的，只是扩展名不同
最后来看看标签文件的内容
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-QTIqrfvn-1593679533765)(https://image.xugaoxiang.com/imgs/2020/07/e2862fb5ae1d188a.png)]
一行代表一个目标，格式是
class x_center y_center width height
第一列是class的索引，计数从0开始，比如这里的0代表的是basketball，1代表的是face；后4列是x_center/image_width、y_center/image_height、width/image_width、height/image_height，取值范围是0 ~ 1
使用公开的数据集进行训练
ROBOFLOW提供了一些公开的数据集，我们下载其中的口罩数据集进行训练，链接是https://public.roboflow.ai/object-detection/mask-wearing，下载下来是一个压缩包，解压后，文件夹内的文件结构是这样的
其中文件夹train包含了参加训练的图片以及对应的label文件，两者只有扩展名不同而已，目前图片只有105张。我们将包含数据集的文件夹重命名为mask，存储在yolov5工程的同级目录下
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vAsT7OIP-1593679533790)(https://image.xugaoxiang.com/imgs/2020/07/fd568bfb729b399d.png)]
接着修改mask/data.yaml文件内容为
(base) xugaoxiang@1070Ti:~/Works/github/mask$ cat data.yaml
train: ../mask/train/images
val: ../mask/valid/images
nc: 2
names: ['mask', 'no-mask']
最后修改yolov5/models/yolov5s.yaml，将nc = 80修改为nc = 2，因为数据集中只有mask和no-mask2个类别
接下来执行训练命令
cd yolov5
python train.py --img 640 --batch 16 --epochs 300 --data ../mask/data.yaml --cfg models/yolov5s.yaml --weights ''
训练结束后，在weights文件夹下就生成了best.pt和last.pt，到mask/test/images找些图片测试一下
python detect.py --weight weights/best.pt --source ../mask/test/images/1224331650_g_400-w_g_jpg.rf.b816f49e2d84044fc997a8cbd55c347d.jpg
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-R5TocMf6-1593679533800)(https://image.xugaoxiang.com/imgs/2020/07/bdfad59d7f768358.jpg)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-aYtc5ZtT-1593679533806)(https://image.xugaoxiang.com/imgs/2020/07/16982ad827626e3e.jpg)]
效果还算ok。感兴趣的话，自己动手试试吧
参考资料
- YOLOv5环境搭建
- https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data
- COCO数据集