yolov5训练详解

最近跑了一下yolov5，在此给大家介绍一下如何用yolov5训练自己的数据集，
github官方代码https://github.com/ultralytics/yolov5
官方权重我已经下载下来了，见https://download.csdn.net/download/qq_41334243/12572600
【注】本文所说的训练只针对官方代码。
1）数据集制作
数据集选择：（1）自己做的数据集（2）开源数据集
（1）自己做的数据集
本人使用精灵标注助手做了一个猫狗识别，把每张图片上的猫和狗都框出来，导出格式为xml，没用过的可以试一下，很简单。

左边为导出的文件，每个 图片对应一个xml，其中为左上角，为右下角，而yolov5要求的训练集是每张图片对应一个txt，且目录格式如下图：

yolov5训练的txt数据内容为：classes（类别）、center_x（中心点x）、 center_y（中心点y）、 w（框的宽）、 h（框的高），如下图

可是除了类别，其他的值为什么都是小数呢，此处有一个坑，根据yolov5要求，数据需要预处理，否则根据官方代码的反算数据就会有问题，如下预处理代码：

 if cls_name == 'dog':
            f.write("0 ")
        else:
            f.write("1 ")
		# img_w:图片的框，img_h：图片的高
        dw = 1. / (int(img_w))
        dh = 1. / (int(img_h))
        #x1,y1,x2,y2为左上角和右下角点
        x = (x1+ x2) / 2.0 - 1  
        y = (y1 + y2) / 2.0 - 1
        w = x2 - x1
        h = y2 - y1
        x = x * dw
        w = w * dw
        y = y * dh
        h = h * dh

        f.write(f"{x} {y} {w} {h}\n")

完整代码见https://download.csdn.net/download/qq_41334243/12573769
免费下载，根据每张图片的框生成相应的txt，然后根据上述的文件目录格式把文件放进去就好。
（2）开源数据集
简单聚两个例子：
celeba：首先要理解开源数据集的结构，数据存储的是什么值，list_bbox_celeba.txt存储的是image_id（图片名）、 x_1（框的左上角x）、 y_1（框的左上角y）、 width（框的宽）、 height（框的高），把这些数据取出来转换成yolov5要求的格式即可

    #
    # 由于celeba样本不好，做矫正
    #x,y左上角坐标，w,h框的宽和高
    x1, y1, x2, y2 = int(x + w * 0.12), int(y + h * 0.1), int(x + w * 0.9), int(y + h * 0.85)
    
    x, y, w, h = x1, y1, x2 - x1, y2 - y1

    # cx, cy = int(x + w / 2), int(y + h / 2)

    # ****************************
    dw = 1. / (int(img_w))
    dh = 1. / (int(img_h))
    x = (x1 + x2) / 2.0 - 1
    y = (y1 + y2) / 2.0 - 1
    w = x2 - x1
    h = y2 - y1
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    # ****************************

    f.write(f"0 {x} {y} {w} {h}\n")
    f.flush()
    f.close()

完整代码见https://download.csdn.net/download/qq_41334243/12573769
wideface数据集同理，转换以下就好
完整代码见https://download.csdn.net/download/qq_41334243/12573769
再次提醒：图片和标签的位置要对应，如下目录结构

2）文件配置
（1） 第一个需要更改的配置文件（data文件夹下的yaml文件）：

创建一个自己数据集的yaml文件，如我之前做的celeba人脸识别，代码如下：

# train and val datasets (image directory or *.txt file with image paths)
train: D:/code_data/celeba/CelebA/Img/train/images/
val: D:/code_data/celeba/CelebA/Img/val/images/

# number of classes（多少个类别）
nc: 1

# class names（和你生成的数据集的类别顺序要对应）
names: ['face']

（2） 第二个需要更改的配置文件（model文件夹下的yaml文件）：

这个看你训练想用哪个模型，yolov5分为四个不同级别的模型，5s、5m、5l、5x

从图中就能看出5s性能稍微低点，5s是最小的一个模型，我这里使用的是5s模型，你可以自己选择，这里主要是更改分类数，默认都是80个分类，来源于coco数据集80个分类，所以你需要改成自己需要的分类数；

# parameters
nc: 2  # number of classes

（3）更改train.py文件部分配置

#设置训练批次
parser.add_argument('--epochs', type=int, default=300)
#设置batch-size，根据自己电脑性能来填
parser.add_argument('--batch-size', type=int, default=4)
#选择需要加载的模型，此处我是用的是yolov5s模型
parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='*.cfg path')
#选择自己数据配置文件
parser.add_argument('--data', type=str, default='data/dog_cat.yaml', help='*.data path') 
#这个官方默认是没有填写的，如果你不想从头训练，此处default=''改成模型对应的预训练的权重
parser.add_argument('--weights', type=str, default='weights/yolov5s.pt', help='initial weights path')

一切搞定，开启训练之旅吧。
再补充一个：
yolov5训练的保存权重默认有两个，last.pt和best.pt，本人测试的last权重在大部分训练情况下较best要好点，具体情况自己测试以下就好。
以下是train.py文件的权重设置，想更改位置或权重名称的自己看着修改

wdir = 'weights' + os.sep  # weights dir
os.makedirs(wdir, exist_ok=True)
last = wdir + 'last.pt'
best = wdir + 'best.pt'
results_file = 'results.txt'

如果还有其他问题，可能是环境不兼容，关于yolov5部署踩坑问题，下篇给介绍。
小编初来乍到，如有写错的地方，还请指教，谢谢
【参考文章】
https://github.com/DataXujing/YOLO-v5