在Colab下快速训练yolov5

1.学习链接

油管：YOLOv5 training with custom data
百度云：YOLOv5 training with custom data(密码:5680)
提示：视频中做的是yolov5_5.0版本，当前已经到了yolov5_6.0，存在一些差异。
本套流程的优势：熟练后，可以在两个小时内从数据收集，数据标注，到训练结果出来。

2.数据准备

推荐准备100张图片

2.1图片标注方法

1：labelImg(传统标注方法)
2：Make Sense(小数据集推荐)
准备的数据的结构目录：
比如有100张图片，可以将66张图片放在train中，34张图片放在val中。

train：val=3:1
文件压缩成zip格式，方便上传到Colab平台

3.项目迁移到Colab平台

打开github上yolov5项目
可以看到，当前已经发布了yolov5的v6.0版本

找到下面的Open in Colab按钮，点击

注意：使用Colab平台需要有谷歌账号

4.开始训练

4.1.选择GPU

4.2.下载源码

点击运行

运行结束后，源码就下载下来了

4.3.上传和解压自己的数据集

将第2步压缩的custom_data.zip直接拖到目录下，保持和yolov5文件夹同级

添加一个代码段，输入这行代码来解压上传的文件

一个奇怪的现象：解压代码必须亲自手打，如果是复制的，会报错：
/bin/bash: unzip -q …/custom_data.zip -d …/: No such file or directory
解压后，点击刷新，就出现了同名文件夹

4.4.修改ymal配置文件

将coco128.yaml文件下载下来修改一下

我这里将文件重命名为mycoco.yaml
让训练集路径保持一致
种类以及种类的名称做了修改

注意：nc和names的数量要和标注时的数量保持一致
文件保存后，上传到原来的路径

4.5.运行train.py训练

经过多次测试，少量的数据集（100张图片），
参数设置 batch=2，epochs=60 效果还行。

大概15分钟，整个训练就完成了
训练时主要看这几个参数：
epoch：训练了多少轮了
mAP：准确度提高到多少了
Results saved to:最终训练的权重文件保存的路径

5.效果检验

使用刚才训练好的权重文件，对一张图片做训练

最终检测效果

从github上下载到自己电脑上的项目，如果是跑detect.py可以很方便的运行
如果是对视频的检测，直接将–source的路径换成视频就可以了
如果是使用摄像头检测，–source的参数设置成0，按Q键保存

但是想要运行train.py，我暂时还是使用别人修改过的版本。