yolov5的首次colab运行

运行train.py

下载的是yolov5-v5版本

1、把模型文件的压缩文件上传到colab
2、!unzip /content/yolov5-5.0.zip解压缩
3、%cd /content/yolov5-5.0转移到当前文件夹
4、!pip install -r requirements.txt安装所有需要的库
5、打开画学习曲线的tensorboard工具
所有的训练loss等结果都会记录在tuns/train的文件夹中

%reload_ext tensorboard
%tensorboard --logdir=runs/train

6、运行!python train.py --rect，再刷新tensorboard，就可以看到训练过程了
（服务器训练模型的速度是真滴快！）

期间遇到的问题

1. AttributeError: Can‘t get attribute ‘SPPF‘ on ＜module ‘models.common‘ from ‘/yolov5-5.0/models/commo
2. RuntimeError: result type Float can‘t be cast to the desired output type long int解决方法
3. RuntimeError: Given groups=1, weight of size [512, 1024, 1, 1], expected input[1, 512, 8, 8] to have

运行detect.py文件

!python detect.py

遇到的问题

1. ‘AttributeError: ‘Upsample‘ object has no attribute ‘recompute_scale_factor
2. RuntimeError: The size of tensor a (80) must match the size of tensor b (56) at non-singleton dimens

运行成功，结果如下：

模型文件说明

1. data文件夹下的各种yaml文件是对不同数据集的初始化参数
   
2. models文件夹中的各种yaml文件，是对yolov5模型在不同大小的前提下的模型架构文件，smlx的类别表示从小到大的模型架构
   
3. train.py/test.py/detect.py分别是训练文件、测试文件、实际检测的应用文件
4. 模型训练、检测的结果文件全都保存在runs文件夹中（这个文件夹只有在运行后才会生成）
   

detect.py的执行说明

1. 如何执行（包括第一个参数source）

$ python detect.py --source 0  # webcam
                            file.jpg  # image 可以只检测一张图片（此时图片必须和py文件同一目录下）
                            file.mp4  # video 可以直接检测一段mp4视频（也必须在同一目录下）
                            path/  # directory 指定某一个装满了图片的文件夹目录，模型就会自动依次检测文件夹中的图片
                            path/*.jpg  # glob 检测某一个文件夹中的特定图片
                            'https://youtu.be/NUsoVlDFqZg'  # YouTube video 可以直接解析YouTube的视频连接（本质上还是先把视频下载下来，然后检测）
                            'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP stream  根据各种摄像头的执行协议，进行实时检测

2. 第二个参数weights
   就是指定你要检测时用的预训练好的模型（具体而言就是一个预训练好的模型参数，即一个checkpoint文件）
   官方的yolov5s.pt和yolov5s6.pt的区别：
   就是不同的预训练模型对应不同的数据集的图片大小（img_size=640就用前者，=1280就用后者）
   
   默认是yolov5s.pt文件，这个文件的下载方法要会！

   1. 在github上选择yolov5的5.0分支
   2. 点击右边的release链接
      
   3. 在新的网页最底部，选择你想要的预训练好的checkpoint文件
      
   4. 将下载好的pt文件放在项目文件夹中（与detect.py文件同路径）

3. 第三个参数conf-thres（可以缩写为conf）
   就是置信度，展示出所有信心》=conf的标记，小于的不标记
   当conf = 1，没有任何标记；conf = 0，全图都是标记（默认为0.25）

4. img_size参数，就是在实际运行模型之前，对图片的resize成统一的固定大小格式，默认为640（不影响输出的图片大小，因为检测完后又会变回去）
5. iou-thres（可以简化为iou？）参数，交并比，顾名思义就是交集占并集的比值，如果目标检测的两个框大于阈值，就选择一个合适的留下，其他的删去；如果交并比小于阈值，则把两个都保留
   举例说明：
   
   iou_thres较大时，下图中的两个框分别识别2个人，而如果设置的很小，就会导致只有一个框识别2个人
   
   
6. view-img参数，
   含有action选项，说明这个参数要么为true要么为false，当设置action="store_true"时表示默认为false，只有当调用时有这个参数时，这个参数值才为true。
   它的作用是：在检测完一张图片时，直接在电脑上显示出结果来
   这个功能对于视频检测的实时观察很有用！
7. save-txt，是否把训练结果作为txt文件保存下来（也是action类型的参数）
   保存路径为runs/detected/exp05/label文件夹中（和结果图片在一起）
   txt文件中的信息格式是这样子的，包括每一个标签的识别类型、中心点的xy坐标，中心点上下的长度和宽度
   
8. nosave参数，action类型的参数，表示不要保存标注出来的图片
9. classes参数，表示指定要显示识别出来的哪一类，默认是要把所有置信度合格的标注都显示出来，如果设置了这个参数，比如设置classes 0，那就只会显示出置信度合格的人的标注
   
10. update参数，action类型（不重要），如果选了，表示在训练的时候，无关的参数统统删掉，以加快运算
11. project参数，就是指定检测结果到哪个文件目录中（包括txt结果文件，图片文件等等）默认为runs/detect/
12. name参数，就是这一次检测过程产生的结果文件的名称，（默认为exp）
13. exist-ok参数，action类型，如果选了这个参数，检测生成的exp文件会覆盖掉上一次检测产生的exp文件。如果没选这个参数，默认是递加进去，比如exp1，exp2，exp3等等

小技巧：如何查看我当前设置了哪些参数的状态呢？——在下图的位置设置断点即可

train.py参数说明

1. workers参数，default为8，指默认并行数量为8，可以加快运算，但是会出bug，建议改成0
2. weight参数，用于初始化模型的参数（设置pt文件），是否在训练模型之前先继承一个预训练模型的参数，这里默认会继承yolov5s.pt文件的参数（迁移学习）；如果不需要迁移学习，那就把default设置为空
   
3. cfg参数，用于初始化模型的架构（设置yaml文件），可以指定models文件夹中的某一个yaml文件，进行初始化
   
4. data参数，用于指定初始化的数据集，这里不直接指向数据集，而是指向初始化数据集的yaml文件
   
5. hyp参数，用于设置模型训练有关的超参数，比如学习率之类的，这里默认使用data中的hyp.scratch.yaml文件，最适合训练coco数据集的超参数；也可以使用hyp.finetune.yaml文件，这是适合对模型进行微调的超参数，适合于VOC数据集
   
6. epoch、batch_size、img_size都是学过的
7. rect参数，一种action类型的参数，如果不设置，会默认裁剪图片为固定尺寸，空白处会填充（左图）；如果设置了，不会可以裁剪成固定尺寸，不会添加额外的空白，因此可以加速运算（右图）
   
8. resume参数，用于指定runs/train/某一个exp文件训练后的pt文件，然后从那个文件开始继续训练，默认为空
9. nosave，action类型参数，训练过程不保存checkpoint文件
10. notest ，action类型参数，训练过程中，每一个epoch不进行验证训练，只有最后一个epoch进行验证训练
11. noautoanchor，action类型参数，默认用锚点方式进行目标检测（效率高），如果选择了这个参数，就会用滑动窗口的形式寻找目标（效率低）
12. device参数，指定cpu或者coda
13. multi-scale参数，action类型参数，如果选了，就对图片进行一个尺度变换
14. adam参数，action类型参数，选了就用adam的梯度下降法；否则默认用SGD
15. project参数，当前epoch训练的训练结果（包括txt文件、pt文件等等打包成exp文件夹）的存放位置（默认在runs/train/）
16. name参数，就是当前epoch训练的训练结果（包括txt文件、pt文件等等打包成exp文件夹）的名称，默认是exp，你可以设置为别的
17. exist-ok，同detected中的，选了就覆盖，不选就默认exp1，exp2。。
18. 其余参数，有需要，百度

制作自己的训练数据集

1. 官网已经告诉我们如何自己建一个数据集了

2. 首先要自己设置一个和自定义数据集有关的yaml文件
   
   
   同时修改train.py的data参数：
   

3. 收集图片

4. 把收集好的图片，在指定网站上传，然后手动/自动标注（具体做法看视频）
   手动标注网站
   最后导出的数据格式示例：
   每个图片对应一个同名的txt文件，txt文件里面存放了每个标签的类别、中心点坐标、长宽
   
   

5. 把收集到的图片、标签txt文件放到指定的文件夹中去