利用yolov实现目标检测——利用yolov5训练自己的猫狗识别模型

作者有话说：我是个小白，这个是我的学习记录，以便以后回过头来看的时候能看懂;-)，希望也可以帮助到大家别杠杠就是你对哈哈哈哈哈哈

目录

一、yolov5项目的克隆

二、yolov5项目代码的介绍

三、环境的安装和依赖的安装

四、数据集和预训练权重的准备

 五、将数据集和预训练权重放到yolov5工程中去

六、修改配置参数

七、训练自己的模型

 八、运行的时候出现的错误

 九、通过tensorbord产看参数

十、利用训练好的yolov5模型做推理

！！后续来了！

---

一、yolov5项目的克隆

打开yolov5的github官网，界面如下：

按右上角的code，将代码下载下来

二、yolov5项目代码的介绍

1.首先将下载好的代码解压，使用pycharm打开

 2.进到pycharm页面后，点击右下角进行环境的选择（前面已经搭建好了）

 3.选择show all

 4.选择之前搭建好的环境

 5.yolov5项目的结构

（1）data文件夹里放着yaml的参数配置文件

（2）models文件夹里放着

（3）weights文件夹里放着训练好的权重参数

（4）train.py文件是进行训练自己的数据集的函数

（5）detect.py文件是利用训练好的权重参数进行目标检测

（6）test.py文件是用来测试训练的结果的函数

（7）requirement.txt文件

三、环境的安装和依赖的安装

环境的安装是之前文章里已经安装好的，现在进行一些依赖的安装

1.打开requirement.txt这个文件，里面包含很多依赖库和对应版本，打开pycharm的终端，复制下面这串代码，运行安装。

pip install -r requirements.txt

这里需要注意的是需要将这个文件里最下面那串代码删掉，具体原因我还没找到，好像是pycocotools没有提供windows的，因为我之前安装的时候报了错，所以这里我把它删掉。

 终端如图所示

 将代码复制运行，它就会开始安装包。

四、数据集和预训练权重的准备

1.这里训练自己的数据集，

2.获得预训练权重

        为了缩短我们训练时间，我们可以加载一些预训练权重来进行训练，yolov5提供了几个预训练权重，可以根据不同的需求选择不同的版本区进行训练。本章选择训练自己的数据集，可以用预训练权重yolov5s.pt。

        打开yolov5提供的预训练权重进行下载，如图所示：

 五、将数据集和预训练权重放到yolov5工程中去

1.首先将训练好的数据（VOCdevkit）先放进去，如图所示

 2.将刚下载好的预训练权重yolov5s.pt放到weights文件夹下，如图所示

 3.训练集和训练权重都有了

六、修改配置参数

改相应的配置参数，就可以训练了~

1.修改数据配置参数文件

（1）找到下图的文件，复制

（2）粘贴到data文件夹下，修改名称

 （3）在dog.yaml文件里进行修改

这里需要注释掉下图框出的代码

 （4）修改训练集和验证集的路径

        复制训练集和验证集的路径

        粘贴到代码，如图所示

 （5）修改类的数量，我这里是dog和cat两类，所以填2

（6）修改类的名称，我这里是cat和dog

 这个文件就改好啦

2.修改model配置文件

（1）复制下图文件

 （2）粘贴到models文件夹下

 （3）在dog.yaml文件里修改

 修改这里，改为2（因为我这里是两个类），就改完了~

七、训练自己的模型

（1）找到训练的这个文件

 （2）在train.py文件里修改

主要修改如下几个参数

 第一个是权重的路径，复制权重路径，粘贴

第二个是模型的yaml文件，复制路径，粘贴

第三个是数据的yaml文件，复制路径，粘贴

 修改好啦~

 还可以修改训练的轮数

 还可修改每次输入的图片张数

 改完后，就可以运行这个.py文件啦~它就开始训练了~

 八、运行的时候出现的错误

1.错误一

我在网上找到，说是要去Tags6里面的model/common.py里面去找到这个SPPF的类,把它拷过来到你这个Tags5的model/common.py里面,这样你的代码就也有这个类了,还要引入一个warnings包就行了！

这段代码如下：

import warnings

class SPPF(nn.Module):
    # Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocher
    def __init__(self, c1, c2, k=5):  # equivalent to SPP(k=(5, 9, 13))
        super().__init__()
        c_ = c1 // 2  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c_ * 4, c2, 1, 1)
        self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2)

    def forward(self, x):
        x = self.cv1(x)
        with warnings.catch_warnings():
            warnings.simplefilter('ignore')  # suppress torch 1.9.0 max_pool2d() warning
            y1 = self.m(x)
            y2 = self.m(y1)
            return self.cv2(torch.cat([x, y1, y2, self.m(y2)], 1))

 复制到你们的common.py里面即可，记得把import warnings放在上面去！！

操作如图所示：

（1）打开common.py文件

 （2）把上面那段代码复制粘贴

（3）最后重新回到train.py文件运行就行啦~

2.错误二：

 （1）打开这个文件

 （2）81行进行修改

 九、通过tensorbord产看参数

（1）打开pycharm的控制端，复制下面这串代码，就可以看到训练的过程。（因为yolov5里有写好的tensorbord函数，可以直接调用）

tensorboard --logdir=runs/train

（2）打开这串网址

（3）训练好了还可以复制这串代码来查看这个模型的训练过程

tensorboard --logdir=runs

十、利用训练好的yolov5模型做推理

上面训练好之后，会出现一个runs文件夹,里面有权重的文件夹，best是最好的权重，last是最后一次训练的权重。

它会自动做验证，参数之类的

 

接下来进行推理

（1）复制训练好的best权重

（2）粘贴到weights文件夹下

（3）打开detect.py做推理的这个文件

（4）将best权重的路径复制粘贴到下图中

 （5）复制一张图片的路径到上图第二个框中

（6）加上这串展现推理结果

 （6）运行后的结果保存在这里

（7）这里会出现一个问题就是运行结果没有框出值，这里降低置信度：将detect.py中的置信度值和IOU值都降低，再运行，就会有结果啦，但是可信度太低了！！！

！！后续来了！

某天，用了舍友的电脑跑了12轮..没记错的话，那个精确度就上来了些许~

阿！找到截图了

然后测试了一下

！！！！从0.07——>0.71