目标检测算法实现（四）——yolov5第一次训练

训练模型虽然内容不多 但是还是很重要的 所以单列一篇出来啦~

目录

训练模型

1. 在data文件夹下人为构造images、ImageSets、labels三个文件夹

2.修改并添加部分.yaml

3.修改models文件夹下yolov5s.yaml

4.修改train.py的配置参数

---

训练模型

1. 在data文件夹下人为构造images、ImageSets、labels三个文件夹

1.其中images用于存放所有的jpg图片，labels用于存放所有的标签txt文件，ImageSets为空（注意大小写不能改变）

2.把rw_txt.py放到程序文件夹（yolov5-master）下 （非必要），运行该程序。

这是一个批量操作txt文档的程序，因为我们标注时，如果是分开两次标注，标注不同类别的物体，那他们的类别序号都是0，按理说应该一个类别序号为0，一个为1，所以我们统一把某个文件夹下的一类目标的txt标签文档中类别序号修改一下，这个是批量操作txt文档的程序。（待理解）

3.把make_txt.py放到程序文件夹（yolov5-master）下，运行该程序。

该程序根据labels中txt文件名进行随机划分数据集，生成的txt文件在Imagesets中，运行后可以查看。

4.再把make_data.py放到程序文件夹（yolov5-master）下，运行该程序。

该程序将images中的图片按照上面的划分（train test val）分配到images下面新建的三个文件夹中，将labels中的标签按照上面的划分分配到labels下面新建的三个文件夹中。

执行顺序为：rw_txt.py——make_txt.py——make_data.py——train.py 

2.修改并添加部分.yaml

yaml如下图其中这5个.yaml（argoverse.coco.coco128.visdrone.voc）可以不保留，我个人操作的时候保留了的。（hyp.f hyp.s）这两个必须保留。

修改自己的yaml！命名yaml为fire.yaml（后面对应配置到train.py-data-default中），修改yaml中的参数（数据集txt的文件地址、类数量、类名）eg，三类，分别为 ['candle', 'fire', 'smoke']

3.修改models文件夹下yolov5s.yaml

修改第二行nc的80为种类数，将种类数量改为N。（N个类别）

4.修改train.py的配置参数

1.修改--data那里，后面那个default='data/fire.yaml'（对应第二条修改）

2.修改--epochs（训练轮数）那里，default设为200，默认为200

3.修改--batch-size（每一批样本量）那里，default设为1（电脑性能不行 不断修改）

4.修改--device（设备）那里，default设为0（device设为0说明采用gpu进行检测，cpu写cpu）

5.训练完会出来模型文件：best.pt，放到程序文件夹，然后detect.py去调用这个best.py就行了。

在runs/train/exp找最大序号那个，找到best.pt，把best.pt复制到yolov5-master程序文件夹下

调用best.pt这个文件是指把detect.py里面main下面weights的default后面名字改为best.pt（source device——default设为0）

RUN ！！ 结束！！！DONE！！！！！！

ps小常识：

1.只要相对地址就行了，跟你的程序文件(detect.py)同一级的话就直接写文件名，在下一级，就要加上上一级文件夹名。

2..pt是训练生成的模型文件，不需要解压，直接放到程序下面，detect.py里面main下面--weights那一行，default后面的变量名换成这个pt的，就是直接调用别人训练好的这个模型(.pt)

目前是80个种类的常规物体检测，后续我需要做的是烟雾检测，后续工作主要是找烟雾数据集，打标签，训练网络，得到的模型就能识别特定种类的目标了。