YOLOv5自定义数据集

1.数据集结构

 文件的结构可以设置成这样：

YOLO_dir
└─ mydata
       ├─ images
       │    ├─ test # 下面放测试集图片
       │    ├─ train # 下面放训练集图片
       │    └─ val # 下面放验证集图片
       └─ labels
              ├─ test # 下面放测试集标签
              ├─ train # 下面放训练集标签
              ├─ val # 下面放验证集标签

比较简单的yaml文件如下（name列表要按照标准的顺序，文件路径是反斜杆）：

train: D:/company/py/yolo_dir/mydata/images/train
val: D:/company/py/yolo_dir/mydata/images/val



# Classes
nc: 6  # number of classes
names: ['broccoli','giraffe','potted plant','zebra','people','shoes']  # class names

YOLOv5数可以自动定位标签的位置，原理是吧images替换成labels，因此就按照这样的格式就好了。因此yaml文件不需要指定标签的位置

小规模时，训练集与验证集比例为7：3（或8：2），如果有测试集，则为6：2：2参考

2.通过roboflow生成（官方）

1.1总体流程

标注工具齐全，并且都是在线保存，此外，还可以自动划分数据集、自动生成yaml文件

1. 上传文件夹
2. 这里推荐这样选择

   

3. 不需要做数据增强，因为YOLOv5自带了数据增强
4. 导出为YOLOv5格式

   

1.2 常用快捷键

CTRL--可以切换手与选择框

backspace--连续两次可以把框删除

左右按键--翻页

3.通过labelimg生成

•  pip install labelImg安装标注工具
• 在conda环境中直接输入labelImg可以打开
• linxu中lableImg（i要大写）

1. 点击pascalvoc，切换成YOLO
2. opendir打开需要标注的图像的具体位置
3. change save data 确定标注文件夹的位置(路径不要有中文)
4. 标注完成后点击保存

可以设置自动保存 

4.Tips for Best Training Results

官方参考

1. 先尝试默认的参数进行训练
2. 图片数据要足够，官方建议的是超过1500张
3. 图像要变化（时间、角度、光线、大小、不同相机等）
4. 物体要标注精确，尽量做到boundingbox和物体之间没有间隙
5. 增加背景图片（No label），数量大概占据0~10％。这可以降低FALSE POSITIVES(FP)。背景图片的标签文件.txt文空文件，但是文件名要对应。
6. 使用YOLO家族大型模型，一是训练慢，二是后面预测慢，但是优点在于精度高
7. 默认300epochs，如果发生过拟合了，我可以减少epoch
8. 当小目标多的时候，分辨率高训练效果好。因此可以设置--img 1280。如果训练的时候改了--img参数，那么预测也要改
9. batch-size应该尽可能大，因为其除了影响训练速度外。如果batch-size太小，会产生不好的batchnorm statistics（BN）