YOLOV5学习

yolov5运行指令

darknet.exe detector  test cfg/coco.data cfg/yolov4.cfg yolov4.conv.137 data/dog.jpg
darknet.exe detector demo cfg\coco.data cfg\yolov4.cfg yolov4.weights data\001.mp4

YAML 是专门用来写配置文件的语言，非常简洁和强大，远比 JSON 格式方便。YAML语言（发音 /ˈjæməl/）的设计目标，就是方便人类读写。它实质上是一种通用的数据串行化格式。

它的基本语法规则如下：

大小写敏感
使用缩进表示层级关系
缩进时不允许使用Tab键，只允许使用空格
缩进的空格数目不重要，只要相同层级的元素左侧对齐即可
# 表示注释，从这个字符一直到行尾，都会被解析器忽略

原来在pycharm中可以直接复制某个文件的路径，你右键那个文件有一个copy path/reference

yolov5你检测的时候你想同时显示结果，设置--view-img这个参数就好

python train.py --data coco.yaml --cfg yolov5s.yaml --weights '' --batch-size 16
 

python train.py --batch 8  --weights weights/yolov5s.pt --cfg models/yolov5s.yaml
不要忘了cfg文件

运行工程出了错误，会一下子出现特别多错误，先去搜最下面那个错误的名称。解决一下
这次出了错误有好几个，egOSError: [WinError 1455] 页面文件太小，无法完成操作。(去网上下载了好多东西没有解决这个问题)
然后搜了最后一个显示的错误BrokenPipeError: [Errno 32] Broken pipe
这个错误该问题的产生是由于windows下多线程的问题，和DataLoader类有关
设置num_workers = 0即可，yolov5，num_worker的初始化设置在参数(parameter中)

wandb这个库使用的话对国内人员不友好，所以就不要下载了，下载之后训练会出现需要配置的东西，麻烦，不要！安装了的话就卸载就完事了！

那种命令行才能运行的代码，可以用pycharm啥的不用命令行，比如Pycharm在运行哪里run/debug configration里面parameters可以设置参数

比较小的那个模型yolov5s.pt yolov5m.pt yolov5l.pt yolov5x.pt，可以在github的yolo下面下载，这些模型用于default=640会好一点，yolov5s6.pt yolov5m6.pt yolov5l6.pt yolov5x6用于1280

1.yolov5的训练结果     Results are saved to './runs/detect'

2.$ python detect.py --source OPTION
Replace OPTION with your selection, to detect from:

3.
Webcam : (OPTION = 0) For live object detection from your connected webcam
Image : (OPTION = filename.jpg) Create a copy of the image with an object detection overlay
Video : (OPTION = filename.mp4) Create a copy of the video with an object detection overlay
Directory : (OPTION = directory_name/) Create a copy of all file with an object detection overlay
Global File Type (OPTION = directory_name/*.jpg) Create a copy of all file with an object detection overlay
RTSP stream : (OPTION = rtsp://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa) For live object detection from a stream
RTMP stream : (OPTION = rtmp://192.168.1.105/live/test) For live object detection from a stream
HTTP stream : (OPTION = http://112.50.243.8/PLTV/88888888/224/3221225900/1.m3u8) For live object detection from a stream
The following file formats are currently supported:

Images: bmp, jpg, jpeg, png, tif, tiff, dng, webp, mpo
Videos: mov, avi, mp4, mpg, mpeg, m4v, wmv, mkv

4.
COCO128 是一个小型教程数据集，由 COCO train2017 中的前 128 张图像组成。 这些相同的 128 张图像用于训练和验证，以验证我们的训练管道是否能够过拟合。 data/coco128.yaml

5.
Local Logging
All results are logged by default to runs/train, with a new experiment directory created for each new training as runs/train/exp2, runs/train/exp3, etc. View train and test jpgs to see mosaics, labels, predictions and augmentation effects. Note a Mosaic Dataloader is used for training (shown below), a new concept developed by Ultralytics and first featured in YOLOv4.
默认情况下，所有结果都记录在 running/train 中，为每个新训练创建一个新的实验目录，如 runs/train/exp2、runs/train/exp3 等。查看训练和测试 jpg 以查看马赛克、标签、预测和增强 效果。 请注意，Mosaic Dataloader 用于训练（如下所示），这是一个由 Ultralytics 开发并首次出现在 YOLOv4 中的新概念。

6.
train_batch0.jpg shows train batch 0 mosaics and labels:
意思就是train的第一个batch做的mosaic和相应的标签

7.
训练损失和性能指标也会记录到 Tensorboard 和一个自定义的 results.txt 日志文件，该文件在训练完成后绘制为 results.png（下图）。