基于Yolov5目标检测的物体分类识别及定位（三） -- 训练、测试

系列文章：

基于Yolov5目标检测的物体分类识别及定位（一） -- 数据集原图获取与标注

基于Yolov5目标检测的物体分类识别及定位（二） -- yolov5运行环境搭建及label格式转换

基于Yolov5目标检测的物体分类识别及定位（三） -- 训练、测试

基于Yolov5目标检测的物体分类识别及定位 -- 全过程总结

目录

训练模型

命令及参数解读

注意事项       

模型测试

测试命令及参数设置

效果表现

命令总和

---

训练模型

命令及参数解读

       在项目根目录运行命令，如果报错就按照错误信息修改命令或文件，或依赖包，或者重新配置环境。

python train.py --img 640 --batch 16 --epochs 5 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights weighs/yolov5s.pt

       命令有点长，我们分开解读一下参数。 

–img：输入网络的图片经预处理后的照片尺寸
–batch：每次输入网络的照片数量，这里如果太大了会超过gpu的显存，根据实际情况调整
–epoch：代表要训练的循环次数，根据你的想法调
–data：上一步更改的第一个文件
–cfg：上一步更改的第二个文件
–weights：开发团队训练好的模型，用来进行迁移训练，可以加上也可以不加，不加的话可能就是训练效果不好以及训练时长更长。

注意事项       

       官方训练好的模型需要自己fq去作者给的链接去下载，放在weighs文件夹中。（以下是百度云链接）

链接：百度网盘 请输入提取码
提取码：8g6c

       作者团队是利用tensorboard来可视化训练过程的，训练开始会在主目录生成一个runs文件.利用tensorboard打开即可（需要TensorFlow环境）。

tensorboard --logdir=./runs

       或者直接在终端就可以看到训练过程的命令行显示格式。

       使用另一个终端来动态实时监控显存情况，调整 batch 大小（实测2080Ti，batch为6）。

watch -n 0.5 nvidia-smi # 每0.5秒刷新一次

       运行5个Epoch之后，就得到了一个初版训练模型（运行中的JPEG corrupt的报错不用管，会自动跳过然后继续训练）。

       如图所示，当 P 、 R 、 [email protected] 较小，可能是验证集划分、标签文件、模型选择、参数设置等的错误，当 P 、 R 、 [email protected] 训练到 0.9 以上时，就可以认为训练的差不多了。

模型测试

测试命令及参数设置

       在detect.py文件中找到source和weight这两个参数，改为想用的测试集和自己训练出来的pt文件。然后运行该文件。

效果表现

       从生成的文件夹中查看每个文件的标注效果，查看错误率和漏标率。

命令总和

# 训练
python train.py  --data data/cv01.yaml --cfg models/yolov5x.yaml --weights weights/yolov5x.pt --batch-size 8

# 测试
python detect.py --weights runs/train/exp1/weights/best.pt --source /data/test08