yolov5训练自己的数据集

本文将介绍如何使用yolov5训练自己的数据集以及使用自己训练的模型。

1. 配置yolov5环境

   • 首先下载yolov5项目源码
     进入项目地址:https://github.com/ultralytics/yolov5下载或者

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

   • 然后使用您的python编译器（我用的是pycharm）打开yolov5项目源码，我们可以安装anaconda来创建新的conda环境，具体安装方式本文不细讲。安装好之后点开这个文件。
     
     输入

   conda create -n your_env_name python=x.x #填入你的创建的环境名和python版本
   activate your_env_name #激活你创建的环境。
   

   

   anaconda创建的环境会新创建一个python解释器，如果要用编辑器请先更换到对应的python环境中，例如pycharm。打开file->sitting->project->interpreter,选择你要用的环境，如果没有就点+号新建一个。
   
   

   • 在项目中打开终端，使用pip下载依赖库。

   pip install -r requirements.txt  
   

   如果出现下载失败的问题有两种情况：

   1. 网络速度慢，使用清华镜像源，使用方法：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   2. 版本问题，解决方法：哪个下载失败就重新下载哪个依赖库，不加上版本或者找到你python对应的版本。例如：

   pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   • 当依赖库下载完成后我们要先开始制作自己的数据集
   1. 安装labelimg

   pip install labelimg 
   

   或者去这个地址下载https://github.com/tzutalin/labelImg
   打开labelimg opendir 打开自己要训练数据用的文件夹，将标注格式选为yolo格式（原版标注的数据是xml，yolo格式是txt，可以用标注出的文件来区分）
   

2. 使用yolov5训练自己的数据集

   • File -> Settings -> Project:yolov5 -> Python Interpreter -> add -> Conda Enviroment -> Existing Enviroment -> 选择你的虚拟环境路径 -> ok
     

   • 制作自己的数据集将图片和标注数据按9：1或8：2的比例按如下格式放置：

   dataset #(自己数据集的名字) 
   ├── images      
      ├── train          
             ├── xx.jpg     
      ├── val         
             ├── xx.jpg 
   ├── labels      
      ├── train          
             ├── xx.txt     
      ├── val         
             ├── xx.txt 
   

   • 在yolov5的data文件夹下创建 数据集名.yaml

   # Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
   path: E:\for_test_proj\yolov5_ncnn\datasets\fire  # dataset root dir
   train: images/train  # train images (relative to 'path')
   val: images/val  # val images (relative to 'path')
   test:  # test images (optional)
   # Classes
   nc: 1  # number of classes
   #names: ['fire']  # class names
   
   #path：数据集的根目录
   #train：训练集与path的相对路径
   #val：验证集与path的相对路径
   #nc：类别数量，因为这个数据集只有一个类别（fire），nc即为1。
   #names：类别名字。
   

   • 下载一个预训练模型，https://link.zhihu.com/?target=https%3A//github.com/ultralytics/yolov5/releases，然后将模型放到yolov5文件夹下。
   • 开始训练，点击右上角train -> Edit Configurations：
     

   --weights yolov5s.pt --data data/fire.yaml --workers 1 --batch-size 8 
   

3. 用训练的数据集进行预测

   • 模型训练完成后，将runs/exp/weights下的模型（best.pt）复制在yolov5文件夹下。如下图所示：

   python detect.py --weights best.pt --source ../datasets/数据集名/images/val #根据自己的路径写。
   

   • weights:

   Usage - formats:
   $ python path/to/detect.py --weights yolov5s.pt                 # PyTorch
                                        yolov5s.torchscript        # TorchScript
                                        yolov5s.onnx               # ONNX Runtime or OpenCV DNN with --dnn
                                        yolov5s.xml                # OpenVINO
                                        yolov5s.engine             # TensorRT
                                        yolov5s.mlmodel            # CoreML (macOS-only)
                                        yolov5s_saved_model        # TensorFlow SavedModel
                                        yolov5s.pb                 # TensorFlow GraphDef
                                        yolov5s.tflite             # TensorFlow Lite
                                        yolov5s_edgetpu.tflite     # TensorFlow Edge TPU
   

   • source:

   Usage - sources:
   $ python path/to/detect.py --weights yolov5s.pt --source 0              # webcam
                                                            img.jpg        # image
                                                            vid.mp4        # video
                                                            path/          # directory
                                                            path/*.jpg     # glob
                                                            'https://youtu.be/Zgi9g1ksQHc'  # YouTube
                                                            'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP stream
   

   测试结果放在runs/detect/exp*中.