yolov5项目初步理解运行

注意-相关资料链接：

（1）yolov5项目简单配置视频讲解：

https://www.bilibili.com/video/BV1nA411k7tN/?spm_id_from=333.1007.top_right_bar_window_custom_collection.content.click&vd_source=a01016572f7c0e496180bb9e42ecd34f

（2）yolov5项目代码detect.py与train.py逐行讲解：

https://www.bilibili.com/video/BV1Dt4y1x7Fz?p=2&vd_source=a01016572f7c0e496180bb9e42ecd34f

（3）yolov5格式的口罩数据集Kaggle网站中的下载地址：

https://www.kaggle.com/datasets/furiner/yolov5mask42master1

（4）数据集标签制作工具——Make Sense

用于自己制作yolov5格式的数据集：使用工具https://www.makesense.ai/为图片数据打标签 制作.txt类型的label标签

（5）yolov5项目代码下载地址：

https://github.com/ultralytics/yolov5或者https://gitee.com/wudashuo/yolov5

1.首先运行train.py文件进行训练

注意其中**def parse_opt(known=False)*函数中的第2-4句代码即如下代码：可以进行相应修改

def parse_opt(known=False):
    parser = argparse.ArgumentParser()
    # –weights：指定预训练模型的权重文件路径，例如 --weights weights/yolov5s.pt。
    parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')
    # cfg 这里default为空  默认为./models/yolov5s.yaml
    # –cfg：指定模型的配置文件路径，例如 --cfg models/yolov5s.yaml。
    # parser.add_argument('--cfg', type=str, default='', help='model.yaml path')
    parser.add_argument('--cfg', type=str, default=ROOT / 'MyDataSet/myyolov5s.yaml', help='model.yaml path')
    # --data   这里default默认为ROOT / 'data/coco128.yaml',
    # –data：指定训练数据集路径，例如 --data coco.yaml。
    # parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')
    parser.add_argument('--data', type=str, default=ROOT / 'MyDataSet/personflower.yaml', help='dataset.yaml path')
    .....

（1）–data 指定训练数据集的路径 MyDataSet/personflower.yaml

train: ../MyDataSet/person-flower/train/images
val: ../MyDataSet/person-flower/valid/images
test:  ../MyDataSet/person-flower/test/images

# Classes
nc: 2
#names 的两种设置方式
names: ['flower','Anther']
##  使用的数据集  https://www.kaggle.com/datasets/abhinavmalkoochi/annotated-flower-dataset
#  0: flower
#  1: Anther

（2）–cfg 指定模型配置文件 MyDataSet/myyolov5s.yaml

上述程序代码中–cfg使用的模型配置文件MyDataSet/myyolov5s.yaml：只需要复制model/yolov5s.yaml代码，修改其中的nc数值即可，修改成当前使用数据集涉及的类别种类即可。

# YOLOv5  by Ultralytics, AGPL-3.0 license

# Parameters 80 原始coco128是80个种类
nc: 2  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
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 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 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, 6, 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, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 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)
  ]

2.train.py运行完后得到的结果（其存储位置，文件夹名称等在train.py中均有相关代码进行设置）

# train.py运行结果保存路径地址
parser.add_argument('--project', default=ROOT / 'runs/train', help='save to project/name')
# train.py运行结果保存的文件夹名称
parser.add_argument('--name', default='exp', help='save to project/name')
parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')

3.detect.py代码文件运行

train.py运行完后使用其得到的exp/weights/last.yaml权重文件进行验证，修改运行detect.py文件

4.detect.py运行结果（其存储位置，文件夹名称等在detect.py中均有相关代码进行设置）

# detect.py运行结果保存路径地址
parser.add_argument('--project', default=ROOT / 'runs/detect', help='save results to project/name')
# detect.py运行结果保存的文件夹名称
parser.add_argument('--name', default='exp', help='save results to project/name')
parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')

5.制作自己的数据集用于train.py以及detect.py进行测试

(数据集尽可能图片量多（30张以上试试），否则在train.py中运行后得到的权重文件用到detect.py中检测不出图片里的内容)

数据集要求（yolo格式）：数据集中包括训练集train，测试集test以及验证集valid，

train，test以及valid文件夹里包括图片数据images以及对应的标签信息label，其中标签应该为.txt格式

例如1.txt，其内容如下：

yolov5项目中所用数据集标签label格式：

每一行数据代表一个目标框，每一行的5个数据分别代表

类别编号（从0开始的） 归一化后的目标框中心坐标（x,y) 目标框的宽w 目标框的高h

0 0.269036 0.618000 0.324873 0.508000
0 0.690355 0.356000 0.355330 0.536000
1 0.271574 0.610000 0.091371 0.132000
1 0.675127 0.358000 0.126904 0.180000

（1）指定训练数据集的路径—此处是personflower.yaml

仿照yolov5项目中提供的data/coco128.yaml文件进行编辑

# 数据集训练集train，测试集test以及验证集valid存储的位置
train: ../MyDataSet/person-flower/train/images
val: ../MyDataSet/person-flower/valid/images
test:  ../MyDataSet/person-flower/test/images

# Classes
nc: 2   # 数据集类别数量
names:
# 数据集各类别名称以及编号  从0开始
#  使用的数据集  https://www.kaggle.com/datasets/abhinavmalkoochi/annotated-flower-dataset
  0: flower
  1: Anther

（2）指定模型的配置文件----此处使用的是myyolov5s.yaml

仿照yolov5项目中提供的model/yolov5s.yaml文件进行编辑（只需要修改nc的数值即可）**

(直接将原始的model/yolov5s.yaml文件复制，然后修改里面的nc:80这句代码，将80改为与当前数据集类别数量一致的数字即可)

# YOLOv5  by Ultralytics, AGPL-3.0 license

# Parameters 80 原始coco128是80个种类
nc: 2  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
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 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 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, 6, 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, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 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)
  ]

注意：用于yolov5项目的数据集格式要求

数据集文件夹中一般包括images（图片）与label（标签）两部分，images与label中可包括train（训练集），valid（验证集）以及test（测试集）三部分数据

其中标签label中的文件格式为**.txt**

内容包括五项：类别编号 检测框中心点坐标（x,y) 检测框宽w 检测框高h