目标检测—基于Yolov5的目标检测项目（学习笔记）
今天学习了炮哥带你学的yolov5入门教程，并成功的训练出了模型，原博客地址：
目标检测—教你利用yolov5训练自己的目标检测模型
本文主要讲述了在Windows10环境下复现此项目的具体过程和遇到的一些问题及解决方法。
本文和此篇博客互为参考：
yolov5模型训练（学习笔记）
主要包括以下内容：
- 一、环境搭建
-
- （1）pytorch安装
- （2）将pytorch应用到工程
- （3）requirements中的依赖包安装
- （4）环境搭建可能遇到的问题
- 二、数据集制作
- 三、yolov5模型训练
-
- （1）配置文件修改
- （2）模型训练
- （3）模型训练可能遇到的问题
- 四、测试结果
-
- （1）图片测试步骤
- （2）测试可能遇到的问题
代码下载：
yolov5的github地址：yolov5
本项目百度网盘地址：yolov5-hat
提取码：pVG2 （来自up主炮哥带你学）
本文以百度网盘中的工程文件为例~
软件准备：
已安装好anaconda、pycharm
anaconda安装步骤可以参考此篇博客：
Anaconda安装步骤（Windows10）
一、环境搭建
（1）pytorch安装
windows10系统中通过anaconda安装pytorch的具体步骤可以阅读此篇博客：
anaconda安装pytorch（anaconda3，Windows10）
（2）将pytorch应用到工程
在上一步中我们通过anaconda安装了pytorch，并将其导入了pycharm，下面我们来将名称为pyotch环境中的编译器应用到工程文件中去。
1.我在D盘下新建了一个名为project的文件夹，将下载好的压缩包解压在此文件夹下，下载并解压好的文件如图所示：
2.右键点击yolov5-hat工程文件夹，点击Open Folder as PyCharm Project打开yolov5-hat工程文件，打开的界面如图所示:
3.点击文件→设置
4.选择Project Interpreter，选择刚刚导入pycharm的pytorch环境（见步骤（1）中博客），点击应用，最后点击确认
这样我们就成功将名称为pytorch环境中的编译器应用到了yolov5-hat工程中。
（3）requirements中的依赖包安装
1.接下来对工程所需的依赖包进行安装，首先打开terminal
2.复制requirements.txt文件中的命令行：
pip install -r requirements.txt
粘贴在terminal中，并按回车键运行命令行，requirements中的依赖包就开始安装了
（4）环境搭建可能遇到的问题
1.运行命令pip install -r requirements.txt出现错误：
ERROR: Could not build wheels for pycocotools which use PEP 517 and cannot be installed directly
如下图所示：
分析原因：
pycocotools即python api tools of COCO。COCO是一个大型的图像数据集，用于目标检测、分割、人的关键点检测、素材分割和标题生成。
查阅资料后得知，coco作者早期只发布了linux版本的coco数据集，在windows下使用coco需要通过其他的安装命令；
同时通过requirements安装依赖包，系统会先读取整个txt的依赖包名称并下载，只有全部读取并下载完成之后再一起安装，因此出现此错误时，因为pycocotools下载失败而终止了进程，导致requirements中的依赖包一个也未能安装
解决方案：
我们可以通过单独安装pycocotools的方法解决这一问题
1.打开Anaconda Prompt，输入下面的命令行并按回车键，进入pytorch环境
conda activate pytorch
2.输入下面的命令行安装pycocotools
conda install pycocotools -c Esri
输入y，并按回车键
3.等待pycocotools安装完成后，我们再次在terminals中输入命令pip install -r requirements.txt并按回车键，就可以顺利安装所有的依赖包了
4.在Anaconda Prompt中进入pytorch环境之后，输入下面的命令行可以查看pytorch环境下已经安装好的依赖包
conda list
同时我们还可以看到安装了2.0.2版本的pycocotools
（如遇到其他错误会后续更新…）
二、数据集制作
我们可以通过使用labelimg来制作我们自己的数据集，具体步骤可以阅读此篇博客：
数据集制作——使用labelimg制作数据集
yolov5作者给我们提供了相关的预训练权重，应用预训练权重能够使模型训练速度更快，精度更高
预训练权重地址
此项目的预训练权重为yolov5s.pt，并且百度网盘压缩包中提供了数据集和标签文件，此处不再赘述，想要训练其他模型的根据数据集自行打标签即可
同时为了方便起见，接下来我们就还使用此预训练模型进行复现
三、yolov5模型训练
（1）配置文件修改
1.打开hat.yaml,yolov5_hat.yaml,train.py三个文件
将hat.yaml文件中的图片路径改为自己电脑中的路径，同时确保标签种类（number of classes）为2，标签名称（class names）是标记的两种
2.确保yolov5_hat.yaml中标签种类（number of classes）为2
3.在train.py文件中确保权重（weight）、模型（model）、数据（data）三者的路径正确
weights：初始化的权重文件的路径地址
cfg：模型yaml文件的路径地址
data：数据yaml文件的路径地址
（2）模型训练
1.代码中的epochs是指整个模型一共在数据集上训练多少次；batch-size则是指一次训练用几张图片
下面以epochs=50，batch-size=4为例
2.运行train.py文件，开始训练模型
因为训练模型时间较长，结果就不展示了~
（3）模型训练可能遇到的问题
1.遇到错误AssertionError: Image Not Found D:\PycharmProjects\yolov5-hat\VOCdevkit\images\images\train\00000.jpg
如下图所示：
解决方案：
在模型训练过程中，会创建新的模型训练附属文件
此工程中有残留的上次的模型训练附属文件，在label文件夹下删除train.cache和val.cache后再重新运行train.py即可
2.如果遇到out of memory等错，是因为显卡内存不够，就降低batch-size;还有number workers等等，不再赘述
（如遇到其他错误会后续更新…）
四、测试结果
效果测试将以压缩包中自带的best.pt权重文件进行测试
（1）图片测试步骤
1.将权重文件保存于weights文件夹中
2.将想进行测试的图片放在工程目录下，如图所示：
3.将source名称改为要测试的图片名称
4.运行defect.py，可以看到运行结果在runs\detect\exp11文件夹下，得到结果如下图所示：
（2）测试可能遇到的问题
1.遇到错误AttributeError: ‘Upsample’ object has no attribute ‘recompute_scale_factor’
解决步骤：
1.点击upsampling.py
2.在第153和154行找到下图所示代码
3.将其更改为：
return F.interpolate(input, self.size, self.scale_factor, self.mode, self.align_corners)
然后再次运行defect.py就能顺利得出结果了~