Yolov5训练过程

Yolov5-v3.0训练过程

---

一、资源下载

Yolov5分为多个版本，这里用到的是yolov5的v3.0版本。注意，不同版本所需要的版本号也不同，具体可以看requiremets.txt。官方下载地址：https://github.com/ultralytics/yolov5.git

资源分享下载链接：

源代码链接：https://pan.baidu.com/s/1K_OmHSirEblGPPZtQvOTLg 提取码：j2rh

yolov5s.pt链接：https://pan.baidu.com/s/12Jg8Ca4T9kEg7nhJEujSFQ 提取码：yfj5

yolov5m.pt链接：https://pan.baidu.com/s/1iyXuUee24Junhy624l5MHA 提取码：k6j9

如需yolov5x.pt和yolovl.pt可自行到github上下载（注意权重文件一定要下载对应3.0版本的！）。

二、环境配置

CUDA：10.1 or 10.2（本文选用10.2）

Pytorch：1.6.0

torchvision：0.7.0

Pytorch下的Python：3.7

Pycharm：如何将项目移植到Pycharm中可参考我的另外一篇文章：如何在Pycharm中复现别人pytorch的项目实例_carrymingteng的博客-CSDN博客

其他所需的包可在cmd中进入到自己的Pytorch环境中，用pip install -r requirements.txt安装。当然可能有些依赖包会出现安装不成功，这里建议可以借助Pycharm进行安装，或者自行下载安装包进行安装。

注意：官方给出的环境配置要求为CUDA>=10.1，但实际操作如果CUDA版本过高会出现无法运用GPU的问题。具体版本对应关系可参见下图。

三、准备自己的数据集（VOC格式）

1.利用train_val.py文件生成test.txt train.txt trainval.txt val.txt

进入到yolov5文件夹下，创建paper_data文件夹，目录结构如下图。

–Annotations 存放xml文件

–images 存放jpg格式图片

–ImageSets/Main 在ImageSets下创建Main文件夹用于存放利用train_val.py文件生成的四个txt文件。train_val.py文件存放在paper_data文件夹下，代码如下：

# coding:utf-8

import os
import random
import argparse

parser = argparse.ArgumentParser()
#xml文件的地址，根据自己的数据进行修改 xml一般存放在Annotations下
parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')
#数据集的划分，地址选择自己数据下的ImageSets/Main
parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path')
opt = parser.parse_args()

trainval_percent = 1.0
train_percent = 0.9
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
    os.makedirs(txtsavepath)

num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)

file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')

for i in list_index:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        file_trainval.write(name)
        if i in train:
            file_train.write(name)
        else:
            file_val.write(name)
    else:
        file_test.write(name)

file_trainval.close()
file_train.close()
file_val.close()
file_test.close()

运行train_val.py文件后，会在ImageSets/Main下生成test.txt train.txt trainval.txt val.txt

2.利用voc_label.py文件将xml文件转换为txt文件

在paper_data文件夹下创建labels文件夹，用于存放转化后的txt文件。将voc_label.py文件存放在yolov5大文件夹下，即yolov5/voc_label.py。代码如下：

# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ["person"]   # 改成自己的类别
abs_path = os.getcwd()
print(abs_path)

def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return x, y, w, h

def convert_annotation(image_id):
    """以下路径为winows下的格式，可自行修改为自己的文件路径"""
    in_file = open('D:\pycharm\PycharmProject\yolov5-3.0/paper_data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('D:\pycharm\PycharmProject\yolov5-3.0/paper_data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        """如果xml文件中为Difficult对应注释掉第一句，使用第二句"""
        difficult = obj.find('difficult').text
        #difficult = obj.find('Difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()
for image_set in sets:
    if not os.path.exists('D:\pycharm\PycharmProject\yolov5-3.0/paper_data/labels/'):
        os.makedirs('D:\pycharm\PycharmProject\yolov5-3.0/paper_data/labels/')
    image_ids = open('D:\pycharm\PycharmProject\yolov5-3.0/paper_data/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
    list_file = open('paper_data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write(abs_path + '/paper_data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

运行后会在paper_data/labels中生成转换后的txt文件，以及在paper_data下生成test.txt train.txt val.txt

3.配置文件

（1）创建ab.yaml文件

yolov5/data下创建ab.yaml文件，用来存放train.txt和val.txt文件。ab.yaml内容如下：

train: D:\pycharm\PycharmProject\yolov5-3.0\paper_data\train.txt
val: D:\pycharm\PycharmProject\yolov5-3.0\paper_data\val.txt

# number of classes
nc: 1

# class names
names: ['person']

其中nc对应的你数据集中所要检测的种类数，names对应种类名称。

（2）修改yolov5s.yaml文件

注意：如果你训练的不是yolov5s模型，对应修改对应的yaml文件。修改如下：与ab.yaml中的nc数对应

四、训练模型

1.修改train.py

2.模型训练

在Pycharm的底端，我们可以看到Terminal，点击后可以以命令窗模式运行。

（1）先激活自己的环境

举例我是如何在Terminnal下激活我自己的Pytorch1.6.0的环境

（2）开始训练

键入图片中标注的指令开始训练

（3）过程可视化

点加号开启另一个命令窗，在新的命令窗键入如下：点击那个网址即可查看到

3.模型测试

（1）图片测试

训练好的模型一般存放在runs/exp/weights下

单张图片测试指令

python detect.py --weights runs/exp26/weights/best.pt --source data/images/1.jpg

多张图片测试指令（将图片统一放到一个文件夹下）

python detect.py --weights runs/exp26/weights/best.pt --source data/images/

测试结果可在inference/output下查看

（2）摄像头测试

指令如下：

python detect.py --weights runs/exp26/weights/best.pt --source 0

（3）视频测试

指令如下：

python detect.py --weights runs/exp26/weights/best.pt --source inference/images/1.mp4

参考链接：https://blog.csdn.net/qq_36756866/article/details/109111065?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522161771077216780266255946%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=161771077216780266255946&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2_allfirst_rank_v2~rank_v29-1-109111065.first_rank_v2_pc_rank_v29&utm_term=%E7%94%A8VOC%E6%A0%BC%E5%BC%8F%E6%95%B0%E6%8D%AE%E9%9B%86%E8%AE%AD%E7%BB%83yolov5+v3.0