YOLOv5 从配置到部署

YOLOv5

一. 简介

• You only look once!
• 单阶段目标检测(Faster RCNN 双阶段)
• 快速
• 精度较高
• 使用方便
• https://github.com/ultralytics/yolov5

二. 安装 (Ubuntu)

1. 下载源码

git clone git://github.com/ultralytics/yolov5.git
cd yolov5

2. 配置环境

• 有conda环境(推荐)

  conda create -n py38 python=3.8
  conda activate py38
  pip install -r requirements.txt
  

• 无conda环境(需要Python3.8或3.6)

  pip3 install -U -r requirements.txt
  

3. 下载权重

• 官网下载(能上Github)

  1. https://github.com/ultralytics/yolov5
  2. 点击右侧Releases
  3. 最下方Assets中点击下载相应模型

• Cmoon复制

  git clone git://github.com/Cmoon-cyl/ros-module.git
  

  将ros-module/cmoon/src 中的weights文件夹复制到yolov5文件夹

4. 使用GPU(英伟达显卡)

• 安装显卡驱动

• 安装CUDA以及CUDNN

• 参考博客:

  https://blog.csdn.net/weixin_45294823/article/details/104119863?spm=1001.2014.3001.5501

三.测试

python3 detect.py --source 0 --weights weights/yolov5s.pt

四.数据集

1.准备

• 新建dataset文件夹 (名字可自定义)
• 新建images和labels文件夹 (名字不能错)
• images和labels内分别新建train和val文件夹 (名字不能错)
• 将准备的图像按大致8 : 2随机分配,放入images的train和val文件夹内,作为训练集和验证集
• labels文件夹将存放之后生成的txt格式标签
• 如图:

2.标注：

• labelImg（img的i大写，其他小写）

  1. 安装

     pip install labelImg
     

  2. 打开

     labelImg　
     

  3. 设置

     1. 点击“改变存放目录”,选择yolov5/dataset/labels/train
     2. 点击“打开目录",选择yolov5/dataset/images/train
     3. 设置标注格式为yolo
     4. view中勾选自动保存模式和显示类别

  4. 标注

     • w 创建区块,框选标注的物体,输入标签名称
     • a/d 切换上一张/下一张
     • 选中标签,可拖动或修改大小,右侧“编辑标签”可改变标签名称
     • ctrl + d 复制当前标签
     • ↑↓←→键 微调标签位置
     • ctrl + v 复制上一张图片的标签 (在连续标注相同类别标签时很有用)

  5. 注意

     • 标注后会生成classes.txt文件,里面的顺序应和标注文件内的物体一一对应
     • 第一次出现的物体要注意名称不要打错
     • 多人合作标注一定要保证classes.txt内的顺序一致
     • 标注框应紧贴被标注的物体,不要留有缝隙
     • 注意不要漏标

• Roboflow (官方推荐的在线标注网站)

  1. 网址:https://roboflow.com

  2. 创建project (命名随意)
     

  3. 上传图片(可不分train和val把所有图片都放入)

  4. 标注

     • d 拖拽
     • c 画框
     • ←/→ 切换上一张/下一张
     • 其余操作点击图标

  5. 分配train/val/test (训练集,验证集,测试集)
     

  6. 选择图片预处理
     

  7. 选择数据增强
     

  8. 导出数据集(选择YOLOv5格式)
     

  9. 下载数据集

     • 自动导出的目录结构与上面我们自己建的不同,两种结构都可以

     • 新建dataset文件夹,将下载的train和val文件夹放入即可

     • 将data.yaml放入data文件夹

     • 下载的文件内容:
       

3.官方建议

1. 每类图片数量大于1500张 (没那么夸张)
2. 每类图片的实例(标注的数量)大于10000 (同上)
3. 图片多样性: 不同光照,不同角度最重要
4. 标签一致性: 不能有漏标的待检测物体
5. 标签准确性: 标签需紧贴被标物体,不留空隙,不能漏标
6. 背景图: 在训练集中加入0~10%的背景图(没有任何标注),以减少假阳性/过拟合 (防止将背景的特征误认为是物体的特征)

五.训练

1.准备

1. 在data文件夹内修改或创建data.yaml (文件名可自定义)

   • train和val 指定训练集和测试集的图片所在文件夹路径
   • nc 为训练的classes数量
   • names 为标签名,需要和classes.txt顺序一一对应
   • 

2. 修改models文件夹中对应预训练模型的yaml文件

   • 只需修改nc为你训练的classes数量
   • 

2.本地训练

cd yolov5
python train.py --img 640 --batch 16 --epochs 300 --data data/data.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt

• 参数说明:

  • img 图片大小
  • batch batch-size 和显卡性能有关,在能设的范围内越大越好,最好为2的倍数(玄学)
  • epochs 训练迭代次数
  • data 指定之前修改的data/data.yaml
  • cfg 模型结构配置文件
  • weights 允许练模型权重
  • resume 如果指定–resume则可以继续上次中断的训练

• 训练效果
  

• 随着训练进度,[email protected]将从0趋近1

• 观察多少epochs之后mAP开始趋近1,以在下次训练时修改epochs数

• 训练过程中best和last模型会实时保存到runs/train/expn/weights中

3.使用Google Colab云训练

1. 创建谷歌账号

2. 登录Google Drive

3. 上传数据集和yolo源码 (点击“新建”,”上传文件夹”)

4. 新建一个.ipynb文件 (点击“新建“,”更多”,”Google Colaboratory”)

5. 点击“修改”,”笔记本设置”,”硬件加速器”,”GPU”

6. 点击右侧“连接”

7. 查看分配到的GPU

   !nvidia-smi
   

8. 连接到Google Drive

   import os
   from google.colab import drive
   drive.mount('/content/drive')  #输出Mounted at /content/drive
   

9. cd到yolo目录

   %ls
   %cd /content/drive/MyDrive/colab/yolov5  #路径可能不同,注意要加%,一边cd一遍ls到yolo目录
   

10. 安装依赖

    !pip install -qr requirements.txt
    !pip install -U pyyaml
    

11. 开始训练

    !python train.py --img 640 --batch 16 --epochs 300 --data data/data.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt   #注意前面加'!'
    

12. 注意

    • 需要科学上网

    • 用手机也可以训练

    • 网络需要稳定

    • 需要时不时检查,防止掉线

    • 若中途停止训练可以加上–resume从中断处继续训练

    • 训练过程中best和last模型会自动保存在云盘yolo目录的runs/train/expn/weights中

4.官方建议

1. 训练小模型或中模型建议使用预训练模型
2. 训练大模型建议不用预训练模型,从头开始训练
3. 使用P6模型作为预训练模型可以提高精度,但是会减慢速度,P6模型image size为1280
4. 初始epochs设为300,如果过拟合减少epochs,欠拟合则增加epochs
5. 默认image size 640,如果训练小物体检测可将image size设为1280
6. 训练,测试和部署的image size应一致
7. 使用硬件所允许最大的batch size

六.部署

1.使用官方detect.py

1. 将yolov5/runs/train/expn/weights中的best.pt复制到yolov5/weights文件夹

2. python detect.py --source 0 --weights weights/best.py
   

2.使用Cmoon中的Detector.py

1. 将yolov5/runs/train/expn/weights中的best.pt复制到cmoon/src/weights文件夹

2. 修改Detector类中的模型名称

   self.weights = os.path.dirname(__file__) + '/weights/' + 'best.pt'
   

3. 修改最下方device为camera,mode=’realtime’

   name = yolo.detect(device='camera', mode='realtime', attributes=None, depth=False, rotate=False)
   

4. 运行即可