Yolov5 训练自已的数据集 详细图文操作（全）

前言

大致思路

1. 在window操作系统安装labelimg（基于anconda环境下，创建出虚拟环境在安装labelimg）
2. 通过虚拟环境启动labelimg 并 添加对应的标注框
3. 训练自身的数据集

对应的Yolov5相关知识点可看这篇文章：Yolov5 代码从入门到畅通（v6.2） 附代码注释

1. 安装labelimg

创建虚拟环境（基于anconda下，如果没有anconda则需要单独安装这个）

通过cmd命令下：

• 配置虚拟环境：conda create -n labelimg python=3.7
• 启动虚拟环境：conda activate labelimg 或者 activate labelimg。
  安装过程中如果遇到CommandNotFoundError: Your shell has not been properly configured to use ‘conda activate‘ ，可看我这篇文章：出现 CommandNotFoundError: Your shell has not been properly configured to use ‘conda activate‘ 的解决方法
• 下载labelimg插件：pip install labelimg
  
• 启动标注插件：labelimg

2. 标注数据集

对应的标注插件如下：

开源的数据标注工具，可以标注三种格式：

• VOC标签格式，输出格式为xml
• yolo标签格式，输出格式为txt
• createML标签格式，输出格式为json

此处使用的yolo，所以生成的格式为txt

3. 配置文件

配置对应的配置文件，驱动代码的时候知道数据集在何处
类似此处的person.yaml

由于上面的数据集配置路径，对应创建的文件以及数据集 tree 格式如下：（数据集的放置与配置文件有关）

  ├─yolov5_project
  └─datasets
        ├─coco128
        └─mydata
            ├─images
            │  ├─train
            │  │  └─jpg
            │  └─val
            │    └─jpg
            └─labels
                ├─train
                │	└─txt
                └─val
                	└─txt

将其数据集以及标签txt都放置于train以及val中

对应train代码更改配置路径（不更改也可，只需要在命令行代入--data 配置文件）：

parser.add_argument('--data', type=str, default=ROOT / 'data/person.yaml', help='dataset.yaml path')

截图如下：

4. 训练

代码是在服务器跑动，将其本地的数据集以及代码都上传到服务器：

• 代码可通过pycharm联合服务器进行同步
  

• 数据集可通过scp -r 进行上传（目录格式同window）
  上传图片到服务器
  
  上传标签到服务器
  

驱动代码训练自身的数据集：