【Yolov5】深度模型进行训练-CPU版

1.yolov5自己的模型训练

1.1 git下载对应的源码到服务器

• 克隆对应的代码 Python>=3.7.0环境中安装requirements.txt，包括 PyTorch>=1.7

git clone https://github.com/ultralytics/yolov5  # clone
cd yolov5
pip install -r requirements.txt  # install

1.2 从最新的 YOLOv5版本自动下载模型。

• 自己创建python文件

import torch

# Model
model = torch.hub.load("ultralytics/yolov5", "yolov5s")  # or yolov5n - yolov5x6, custom
# Images
img = "https://ultralytics.com/images/zidane.jpg"  # or file, Path, PIL, OpenCV, numpy, list
# Inference
results = model(img)
# Results
results.print()  # or .show(), .save(), .crop(), .pandas(), etc.

1.3 detect.py 推断

• 这里可以传各种参数

python detect.py --weights yolov5s.pt --source 0                               # webcam
                                               img.jpg                         # image
                                               vid.mp4                         # video
                                               screen                          # screenshot
                                               path/                           # directory
                                               list.txt                        # list of images
                                               list.streams                    # list of streams
                                               'path/*.jpg'                    # glob
                                               'https://youtu.be/Zgi9g1ksQHc'  # YouTube
                                               'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP stream

1.4 train.py进行训练

python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml  --batch-size 128
                                                                 yolov5s                    64
                                                                 yolov5m                    40
                                                                 yolov5l                    24
                                                                 yolov5x                    16

1.5 yolo的原理

• 通过输入一个图片-进行卷积-得到输出结果
  Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，整个系统所示：首先将输入图片resize到448x448，然后送入CNN网络，最后处理网络预测结果得到检测的目标。相比R-CNN算法，其是一个统一的框架，其速度更快，而且Yolo的训练过程也是end-to-end的。
  
  在训练之前，先在ImageNet上进行了预训练，其预训练的分类模型采用图8中前20个卷积层，然后添加一个average-pool层和全连接层。预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积层和2个全连接层。由于检测任务一般需要更高清的图片，所以将网络的输入从224x224增加到了448x448。整个网络的流程如下图所示：
  

2.训练自己的模型

• 目录结构
  

2.1 Data下面新建如图目录Mydata

• mydata
  • images
    • test
    • train(存放原图)
  • labels
    • test
    • train (存放标注的图)
      
• 存放完图片之后的

• 如图所示，为积木图

2.1 lableimg进行数据标注的图形

• 没有安装lableimg的可以进行一下安装
  

2.2 数据集

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: /home/hfg/Soft/Idea_Project/deep/yolov5/data/mydata/images/train  # dataset root dir
train: /home/hfg/Soft/Idea_Project/deep/yolov5/data/mydata/images/train  # train images (relative to 'path') 128 images
val: /home/hfg/Soft/Idea_Project/deep/yolov5/data/mydata/images/train  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes
names:
  0: 积木

2.3 train.py调整data数据集

2.4 开始训练

• 如图所示进行训练，本次epochs是100
  
• 训练的结果集如图所示
  
• 训练结果