yolov5部署以及训练10种中药材分类数据集

记录以下我使用yolov5来训练自己数据集的过程以及遇到的坑~~~

首先要部署yolov5的环境

首先去github上下载yolov5直达

安装依赖包

编译环境我是用的是anaconda 创建的虚拟环境，方便管理，如何创建虚拟环境就不细讲了。创建好之后根据yolov5中的requirment.txt安装它需要的依赖包。
方式一：之前第一次配置环境的时候，用的是pycharm来安装依赖，有几个包一直报错，还是通过pip install 包.whl的方式安装上的，特别是coco。
方式二：后来换了电脑，直接在anaconda prompt中通过pip就很顺利的就装好了。
还是推荐方式二安装依赖包，方便又好管理。

测试yolov5

进入anaconda的虚拟环境，进入到yolov5的路径下，执行:

python detect.py --source 0

--source 0 表示是用电脑的摄像头，采集视频。如果不想采集视频，可以不加上source，直接使用\data\images文件下的测试图片不管是图片还是视频，测试的结果会保存在yolov5项目中\runs\detect\exp文件夹下。

这样yolov5就部署好了，可以训练自己的数据集了。

准备训练集

yolov5的数据集的形式有很多种，我才用的是
图片与标签分开存放在不同的文件夹下，目录如下：

images中存放的是训练和验证的图片，labels中存放的是标签。之前存放图片的文件夹名称为img，在训练的时候老是报错not found labels，改成images就好了。
标签和图片是根据图片名称来对应的。
打标签用的是LabelImg，使用的方法就不介绍了，记得使用YOLO的标签格式

更改程序

一：将data/coco128.yaml文件更改三个地方：
1.train/val 的路径 更改为自己的图片的存放地址，标签的地址可以自动推断出来
2.nc 更改分类数目
3.names 更改分类名称
下面是根据我的数据集更改过后的文件

# COCO 2017 dataset http://cocodataset.org - first 128 training images
# Train command: python train.py --data coco128.yaml
# Default dataset location is next to YOLOv5:
#   /parent_folder
#     /coco128
#     /yolov5


# download command/URL (optional)
download: https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ../train_imgs/images/train  # 1700 images
val: ../train_imgs/images/val  # 100 images

# number of classes
nc: 10

# class names
names: [ 'aiye', 'ajiao', 'baifan', 'banxia', 'chenpi', 'honghua' ,'puhuang', 'shanzha' ,'xiakucao', 'xixin' ]

二：根据在train.py当中要使用的权重文件，比如更改yolo5s.yaml文件，这里只需要更改nc就可以了

下面是更过后的文件，只更改了nc

# parameters
nc: 10  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

# anchors
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Focus, [64, 3]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 9, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 1, SPP, [1024, [5, 9, 13]]],
   [-1, 3, C3, [1024, False]],  # 9
  ]

# YOLOv5 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

训练模型

有了数据集可以开始训练了
进入虚拟环境，进入yolov5的目录，执行：

python train.py --device 0

--device 0表示使用gpu0来训练模型，如果没有gpu的话，不用加上 device，默认是cpu。
正常训练结束如下图，会产生两个模型文件best.pt和last.pt，保存在\runs\train\exp\weights文件夹下。

报错

在训练的时候报错说：OSError: [WinError 1455] 页面文件太小，无法完成操作，这是内存太小，更改虚拟内存的页面大小，可以解决。

测试自己的模型

首先要更改train.py文件中的模型
测试模型还是使用detect.py文件，首先要更改使用的权重文件，把原来的yolov5s.pt更改为刚刚训练保存的last.pt或者best.pt文件。

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', nargs='+', type=str, default='last.pt', help='model.pt path(s)')

更改之后可以使用跟之前一样的命令来测试。保存结果的目录和之前一样。

python detect.py --source 0