教程：超详细从零开始yolov5模型训练

本文将介绍yolov5从环境搭建到模型训练的整个过程。最后训练识别哆啦A梦的模型。

1.anconda环境搭建
2.yolov5下载
3.素材整理
4.模型训练
5.效果预测

- Anconda环境搭建

提醒：所有操作都是在anconda的yolo的环境下进行的，在创建yolo环境后，之后每次进入CMD都需要切换到yolo环境中去（否则进入默认的base环境中）

https://www.anaconda.com/products/individual#Downloads
下载对应版本anconda即可，这里就不介绍anconda安装过程了。

anconda安装好后，conda可以创建多个运行环境，默认是base环境。这里我们为yolo创建一个环境。
打开CMD命令行，为yolov5创建一个环境，注意这里用的python版本是3.8，版本过低后面可能会报错

conda create -n yolo python=3.8 

执行

conda info -e

即可看到我们刚刚创建的yolo环境

执行

activate yolo

即可切换到我们的yolo环境下了。记住退出CMD或者切换CMD窗口之后，如果想要进入我们的yolo环境，都需要运行activate yolo指令。不然默认是在base环境下。
除此之外，我们进行yolo模型训练代码的编写需要用到jupyter notebook,所以我们需要在yolo环境下进行安装

conda install jupyter notebook

安装完成之后，我们只需要在yolo环境下输入

jupyter notebook

就会打开notebook，自动跳转到浏览器，打开notebook界面，之后我们会在notebook里进行训练yolo模型

-yolov5下载

https://github.com/ultralytics/yolov5
下载yolov5源码，解压，可以看到里面有requirements.txt文件，里面记录了需要安装的包，这个txt文件可以帮助我们一键下载这些依赖包。
文件夹里也包含了train.py文件，这个也是我们接下来训练yolo模型需要用到的启动文件。（大家看到的文件夹内容会和我的有点不一样，因为我的下载下来后又添加了一些文件）

接着上面的requirement.txt，介绍如何安装里面需要安装的依赖。我们首先打开我们下载好的yolov5_master 文件夹，在上面输入cmd回车，可以直接在该文件夹目录下打开命令行。

在cmd命令行打开之后，大家千万记得要切换到我们的yolo环境下，不然就安装到base环境中去了。

activate yolo

然后运行

pip install -r requirements.txt

就会自动帮我们把这些依赖安装好了。接下来我们就要开始训练yolo模型了。

-整理yolov5模型

为了完成训练工作，我们需要将训练的图片按照指定的格式进行整理，
详细参照yolov5官方指南：
https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data

我这里也简要介绍一遍过程，然后也为大家避坑，我们在训练前首先需要采集图片样本，然后再对图片中的待识别物体进行标注。
我们首先需要建立如下的文件夹：

所有文件放在yolo_A文件夹下，子文件夹images用来存放样本图片，labels文件夹用来存储标注信息。A.yaml文件用来存放一些目录信息和标志物分类。

我这次测试的检测哆啦A梦的头像，我采集了50张哆啦A梦的样本，放到images文件夹下：

接下来我们就要进行图片的标注工作了，图片标注我们用到了一个名为labelimg的工具：https://github.com/tzutalin/labelImg
大家下载解压之后，首先要做的是删除
labelImg-master\data\predefined_classes.txt
txt文件中的内容，不然等会标记的时候会自动添加一些奇怪的类别。

然后在labelImg-master文件夹下打开cmd，进入我们的yolo环境中，然后我们还需要在yolo环境中安装一些labelimg运行需要的依赖，依次输入

conda install pyqt=5
conda install -c anaconda lxml
pyrcc5 -o libs/resources.py resources.qrc

现在，我们已经在yolo环境中安装好labelimg的依赖环境了，输入

python labelimg.py

即可进入我们的界面中来。进入之后，首先我们先把一些选项勾上，便于我们标记。然后，最重要的是把标记模式改为yolo。

之后我们点击Open dir选择我们图片所在的images文件夹，选择之后会弹窗让你选择labels所在的文件夹。当然如果选错了，也可以点change save dir进行修改。

然后软件右上角我们打开这个选项，当我们标记图片后，就会自动帮我们归类到A了

现在我们就可以开始进行标记了，常用的快捷键，用主要wad三个键

Ctrl + u	Load all of the images from a directory
Ctrl + r	Change the default annotation target dir
Ctrl + s	Save
Ctrl + d	Copy the current label and rect box
Ctrl + Shift + d	Delete the current image
Space	Flag the current image as verified
w	Create a rect box
d	Next image
a	Previous image
del	Delete the selected rect box
Ctrl++	Zoom in
Ctrl--	Zoom out
↑→↓← | Keyboard arrows to move selected rect box

通过鼠标拖拽框选即可标注：

所有图片标注好之后，我们再来看我们的labels文件夹，可以看到很多txt文件。每个文件都对应着我们标记的类别和框的位置：

最后还要做的是建立yaml文件，文件的位置也不要放错：

文件里面内容如下，其中train和val都是我们images的目录，labels的目录不用写进去，会自动识别。nc代表识别物体的种类数目，names代表种类名称，如果多个物体种类识别的话，可以自行增加。

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ../yolo_A/images/
val: ../yolo_A/images/
# number of classes
nc: 1

# class names
names: ['A meng']

到目前，我们的训练的材料就已经准备好了。

-yolov5模型训练

现在我们开始训练模型，由于电脑的配置过低，我采用的是谷歌colab平台进行训练，使用方法和notebook完全一样。使用云端colab会比使用本地的notebook多一些文件上传的操作。大家注意区分差异

首先进行模块的导入，由于云端的colab还没有下载yolov5和他的依赖，所以加上前面两行。如果是本地notebook的用户，则注释掉前面三句：

!git clone https://github.com/ultralytics/yolov5  # clone repo
%cd yolov5
%pip install -qr requirements.txt  # install dependencies

import torch
from IPython.display import Image, clear_output  # to display images

clear_output()
print('Setup complete. Using torch %s %s' % (torch.__version__, torch.cuda.get_device_properties(0) if torch.cuda.is_available() else 'CPU'))

之后我把我们的的素材yolo_A文件夹压缩上传到colab，然后在colab上解压（本地notebook不需要这不操作）

!unrar x ../yolo_A ../

然后一下代码可以测试能否正常工作，顺带会下载yolov5s.pt文件，这个文件后面训练的时候会用到

!python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images/
Image(filename='runs/detect/exp/zidane.jpg', width=600)

如果一切正常会显示如下图

接下来就要开始训练模型了：

!python train.py --img 640 --batch 50 --epochs 100 --data ../yolo_A/A.yaml --weights yolov5s.pt --nosave --cache

训练完成后，我们可以看到训练结果保存的位置：

在对应exp文件下可以看到用训练集做预测的结果：

Image(filename='runs/train/exp2/test_batch0_pred.jpg', width=800)  # test batch 0 predictions

现在我们用训练出来的结果找一张网图做测试（文件名和导出预测文件地址不一定相同，但是相似，大家自行寻找）

!python detect.py --weights /content/yolov5/runs/train/exp2/weights/best.pt --img 640 --conf 0.25 --source ../test2.jpg
Image(filename='runs/detect/exp4/test2.jpg', width=600)

好了，基本上就完成了。接下来为了提高识别的精确度还需要继续学习yolov5的实现原理和相关参数的设定技巧。大家有问题欢迎评论区提问。