colab GPU训练模型 yolov5

此为学习yolov5的学习笔记，根据的是PyTorch 深度学习目标检测入门实战，若内容上理解有误，还望大家批评指正。小土堆讲解透彻易懂，推荐给大家。

云上GPU训练

环境搭建

网址：colab

初始页面如下：

点击修改，选择笔记本设置，选择GPU加速。

将训练测试，以及相关数据经过处理压缩整体打包上传至左边的文件夹中，可以看到只有1M大小

!unzip /content/yolov5-6.0_cloudetest.zip -d /content/yolov5-6.0_test
### 用！模拟在终端输入，后面语言表示为将文件加压至/content/yolov5-6.0_test

%cd /content/yolov5-6.0_test/yolov5-6.0

!pip install -r requirements.txt
### 安装所需要的包，使用shell语言时注意大小写之分

%load_ext tensorboard

%tensorboard --logdir=runs/train
### 加载日志文件，需要先加载，再运行后面的程序

训练模型

!python train.py --rect
### 执行train.py

模型训练开始，注意需要将weight中的root删除，只保留空字符串，才能重新开始训练，否则报无.pt错误

解决链接如下：https://github.com/ultralytics/yolov5/issues/4948

训练结果

日志文件保存在了exp3中，取消其他的exp，观察图像即可

注意YOLOv5-6.0与YOLOv5-5.0在日志输出方面有所不同

可以看到coco128的数据集中，出现的个例数量

训练的轮数以及对应的损失函数

由此可以看到，训练300轮，用时0.452小时，最后得到了best.pt和last.pt模型，大小为15M，最后对模型进行总结，这个模型中有80类别，训练图片为128张等信息

P：Precision(精确度)

光是精确度还不能衡量分类器的好坏程度，比如50个正样本和50个负样本，我的分类器把49个正样本和50个负样本都分为负样本，剩下一个正样本分为正样本，这样我的精度也是100%，因为分类器分出来1个样本为正类，且这个样本分类正确，则1/1 = 1,所以还需要召回率

R:Recall(召回率)

mAP指标：多类别目标检测任务，就要使用mean AP(mAP)，对所有的类别进行AP的计算，然后取均值

训练好以后，将最好的best.pt下载下来，使用detect.py,在weight中输入这个模型进行检测，其他的不用做修改

运行即可。

分析总结

测试结果发现只能识别几个，效果不佳，原因分析如下：

1. 训练次数较少，一般为1k-2k
2. 数据集太少，此训练中只用到了128张图片，最好能有3k-5k