yolov5s 预训练模型_YOLOv5从入门到部署之：训练私有数据并修改模型
1 环境部署
YOLOv5是基于pytorch实现的, 需要的运行环境已经在requirements.txt文件里面列出。
# base ----------------------------------------
Cython
matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
pillow
PyYAML>=5.3
scipy>=1.4.1
tensorboard>=2.2
torch>=1.6.0
torchvision>=0.7.0
tqdm>=4.41.0
因此可以直接使用pip进行安装：
pip install -U -r requirements.txt
2 准备数据
YOLOv5的数据集格式和之前的YOLOv3一致。每张图片都有自己的目标的txt文件
例如：
datasets/score/images/train/00b5fefed.jpg # image
datasets/score/lables/train/00b5fefed.txt # lable
这里我们使用之前kaggle的小麦头检测的比赛为例，讲解数据准备的流程。
这里值得注意的是，Yolov5的开源许可是GPL-3.0 License不满足Kaggle比赛的要求，因此不能在Kaggle比赛中使用，本文只是为了做个训练示范。
2.1、创建数据集的配置文件dataset.yaml
训练COCO数据集或者是VOC数据集，可以直接使用已经配置好的coco.yaml 和 voc.yaml文件。如果训练别的数据集，则需要模仿coco.yaml 文件写一个自己的wheat.yaml文件保存在data文件夹下。
# train and val datasets (image directory or *.txt file with image paths)
train: ./datasets/wheat/images/train/
val: ./datasets/wheat/images/val/
# number of classes
nc: 1
# class names
names: ['wheat']
2.2、创建标注文件
如果是自己制作的数据集可以使用LabelImg工具,需要注意的是选择YOLO格式生成标注文件。
如果是已经有的数据集，像是kaggle的wheat数据集，则需要进行转换数据格式成yolo的格式。
我们先来看一下yolo的lable文件里面的格式 00b5fefed.txt
数据排布是：
其中，object-class是类的索引，后面的4个值都是相对于整张图片的比例。x是ROI中心的x坐标，y是ROI中心的y坐标，width是ROI的宽，height是ROI的高。
Wheat数据集的lable是都在一个train.csv文件里面，并且bbox是绝对位置，这一点和YOLO不一样。
因此，需要进行Box的转换：
x, y, w, h = bbox[0], bbox[1], bbox[2], bbox[3]
x_center = (x+ w / 2)/width
y_center = (y+ h / 2) /hight
w = w/ width
h = h / hight
转换好数据格式后需要保存到相应的文件夹格式
至此数据准备阶段已经完成。
3 训练和检测
(1)训练coco数据集，命令如下：
python train.py --data coco.yaml --cfg yolov5s.yaml --weights '' --batch-size 64
yolov5m.yaml 40
yolov5l.yaml 24
yolov5x.yaml 16
(2)训练自己的数据集：如果想加快训练，可以使用官方在coco数据集上训练好的网络接着进行训练官方的预训练模型链接：https://github.com/ultralytics/yolov5/releases/tag/v3.0
将下载好的模型yolov5*.pt保存在weights文件夹下。
python train.py –data wheat.yaml --cfg yolov5s.yaml --weights yolov5s.pt --batch-size 16
训练完成是yolov5会保存最好的模型best.pt和最后一个模型last.pt在weights文件夹里。
(3)检测图片
用训练好的模型进行检测：
python detect.py --source inference/images/ --weights best.pt
4 YOLOv5-MobileNetv2
本文以Yolov5的backbone换成mobilenetv2为例，讲解如何替换其他网络结构。首先，需要在models/common.py里，实现MobileNetv2的 bottleneck 和 Pwconv。
1、Mobilenetv2的bottleneck: InvertedResidual
#mobilenet Bottleneck InvertedResidual
class BottleneckMOB(nn.Module):
#c1:inp c2:oup s:stride expand_ratio:t
def __init__(self, c1, c2, s, expand_ratio):
super(BottleneckMOB, self).__init__()
self.s = s
hidden_dim = round(c1 * expand_ratio)
self.use_res_connect = self.s == 1 and c1 == c2
if expand_ratio == 1:
self.conv = nn.Sequential(
# dw
nn.Conv2d(hidden_dim, hidden_dim, 3, s, 1, groups=hidden_dim, bias=False),
nn.BatchNorm2d(hidden_dim),
nn.ReLU6(inplace=True),
# pw-linear
nn.Conv2d(hidden_dim, c2, 1, 1, 0, bias=False),
nn.BatchNorm2d(c2),
)
else:
self.conv = nn.Sequential(
# pw
nn.Conv2d(c1, hidden_dim, 1, 1, 0, bias=False),
nn.BatchNorm2d(hidden_dim),
nn.ReLU6(inplace=True),
# dw
nn.Conv2d(hidden_dim, hidden_dim, 3, s, 1, groups=hidden_dim, bias=False),
nn.BatchNorm2d(hidden_dim),
nn.ReLU6(inplace=True),
# pw-linear
nn.Conv2d(hidden_dim, c2, 1, 1, 0, bias=False),
nn.BatchNorm2d(c2),
)
def forward(self, x):
if self.use_res_connect:
return x + self.conv(x)
else:
return self.conv(x)
2、Pointwise Convolution
class PW_Conv(nn.Module):
def __init__(self, c1, c2): # ch_in, ch_out
super(PW_Conv, self).__init__()
self.conv = nn.Conv2d(c1, c2, 1, 1, 0, bias=False)
self.bn = nn.BatchNorm2d(c2)
self.act = nn.ReLU6(inplace=True)
def forward(self, x):
return self.act(self.bn(self.conv(x)))
接着需要在yolov5的读取模型配置文件的代码(models/yolo.py的parse_model函数)进行修改，使得能够调用到上面的模块，只需修改下面这部分代码。
n = max(round(n * gd), 1) if n > 1 else n # depth gain
if m in [nn.Conv2d, Conv, Bottleneck, SPP, DWConv, MixConv2d, Focus, CrossConv, BottleneckCSP, C3, PW_Conv, BottleneckMOB]:
c1, c2 = ch[f], args[0]
并且需要在import引用处加入PW_Conv,BottleneckMOB这两个模块。
from models.common import Conv, Bottleneck,SPP, DWConv, Focus, BottleneckCSP, Concat, NMS, autoShape, PW_Conv,BottleneckMOB
然后就是搭建我们的模型配置文件，我在yolov5s.yaml的基础上进行修改，将yolov5s的backbone替换成mobilenetv2，重新建立了一个模型配置文件yolov5-mobilenet.yaml。
# parameters
nc: 1 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
# anchors
anchors:
- [116,90, 156,198, 373,326] # P5/32
- [30,61, 62,45, 59,119] # P4/16
- [10,13, 16,30, 33,23] # P3/8
# YOLOv5 backbone: mobilenet v2
backbone:
# [from, number, module, args]
[[-1, 1, nn.Conv2d, [32, 3, 2]], # 0-P1/2 oup, k, s 640
[-1, 1, BottleneckMOB, [16, 1, 1]], # 1-P2/4 oup, s, t 320
[-1, 2, BottleneckMOB, [24, 2, 6]], # 320
[-1, 1, PW_Conv, [256]], #4 output p3 160
[-1, 3, BottleneckMOB, [32, 2, 6]], # 3-P3/8 160
[-1, 4, BottleneckMOB, [64, 1, 6]], # 5 80
[-1, 1, PW_Conv, [512]], #7 output p4 6 40
[-1, 3, BottleneckMOB, [96, 2, 6]], # 7 80
[-1, 3, BottleneckMOB, [160, 1, 6,]], # 40
[-1, 1, BottleneckMOB, [320, 1, 6,]], # 40
[-1, 1, nn.Conv2d, [1280, 1, 1]], # 40
[-1, 1, SPP, [1024, [5, 9, 13]]], #11 # 40
]
# YOLOv5 head
head:
[[-1, 3, BottleneckCSP, [1024, False]], # 12 40
[-1, 1, Conv, [512, 1, 1]], # 40
[-1, 1, nn.Upsample, [None, 2, 'nearest']], # 40
[[-1, 6], 1, Concat, [1]], # cat backbone P4-7 # 80
[-1, 3, BottleneckCSP, [512, False]], # 16 # 80
[-1, 1, Conv, [256, 1, 1]], # 80
[-1, 1, nn.Upsample, [None, 2, 'nearest']], # 160
[[-1, 3], 1, Concat, [1]], # cat backbone P3-4 160
[-1, 3, BottleneckCSP, [256, False]], # 160
[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]], # 21 (P3/8-small) # 160
[-2, 1, Conv, [256, 3, 2]], # 160
[[-1, 17], 1, Concat, [1]], # cat head P4 # 160
[-1, 3, BottleneckCSP, [512, False]], # 160
[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]], # 25 (P4/16-medium) # 160
[-2, 1, Conv, [512, 3, 2]], # 160
[[-1, 13], 1, Concat, [1]], # cat head P5-13 # 160
[-1, 3, BottleneckCSP, [1024, False]], # 160
[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]], # 29 (P5/32-large) 160
[[21, 25, 29], 1, Detect, [nc, anchors]], # Detect(P5, P4, P3) nc:number class, na:number of anchors
]
到这我们就实现了将yolov5的backbone替换成了mobilenetv2。在使用时只需要将网络结构配置参数—cfg修改成 –cfg yolov5-mobilenet.yaml。
训练指令：
python train.py --data coco.yaml --cfg yolov5-mobilenet.yaml--weights '' --batch-size 64
5 Next
下一篇，《YOLOv5从入门到部署》系列将会介绍：YOLOv5的部署。