配置YOLOv5 7.0训练模型的流程已经一些问题总结

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

最近需要使用到图像识别的功能，学习了一下YOLOv5，花了几天时间，遇到不少的坑，网上冲浪最后终于是完成了模型的训练，这里简单记录一下。

一、选择YOLOv5的版本

看网上的教程有很多是介绍5.0版本的，即YOLOv5 5.0，包括我自己最初也是下载的YOLOv5 5.0，只是后来训练过程中有很多问题，也一个一个的很解决，有些解决了，有些没有，然后网上看到一位大佬说5.0版本更新了很多次，前期有许多问题，后面好多了，建议使用6.1之后的版本。然后我果断放弃5.0版本了（主要是折腾怕了，搞了一整天了）。我建议出现各种问题现在正在寻找解决办法的网友也使用最新版本，我下载的是7.0的版本。点这里下载。

二、安装环境

具体的环境安装这里不再赘述，其他博主已经讲了很多了，这里也没什么大的不太。
使用anaconda新建一个环境，打开anaconda prompt，输入:

conda create -n yolo python=3.9

创建一个叫yolo的环境，安装的python为3.9版本的，这个版本比较适合yolov5训练数据，原因就是，我也试过其他版本，就这个比较顺利[/苦笑ing/]。
进入到yolo的根目录下

cd [yolo文件夹目录]

激活yolo环境

conda activate yolo

就可以安装python库了，如下命令：

pip install -r requirements.txt

一定要定位到跟目录下运行，因为requirements.txt就在根目录下，根目录指yolov5项目下最开始的目录（强行解释ing）
如果安装太慢，可以使用清华镜像源

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

速度 _呜 呼 _起飞~

此外，有一点需要注意，据网友反映，以上方式安装某些库时，也会出现一些错误，默认是安装较新版本的，因为是’>='号嘛。

这边建议手动修改一下requirements.txt文件，或者自己pip安装对应的库，哪些库呢，一个是opencv-python，改为：opencv-python==4.5.1.48，修改为4.5.x的版本就行，不要太高了；还有一个是Pillow，改为Pillow==9.5。

三、验证下载的代码

1.下载预训练权重文件

训练模型最终需要的就是权重文件，YOLO官方提供了几个预训练权重模型，使用这个文件可以减少自己训练模型的最终训练时间。当然，不使用这个文件也行，直接运行训练，则代码会随机选择参数然后训练，这样的结果是如果运气不好，随机选择的参数太偏了，则极大的耗费训练时间，所以还是建议刚开始选中现有的预训练模型，这是官网 下载 ，选择yolov5s.pt下载即可，后面我们训练也使用yolov5s的模型训练，找对应的即可，唯一的问题是github网站上下载不稳定，建议连接手机热点下载，耐心等待。

2.运行测试脚本

yolov5文件夹下可以找到detect.py文件，打开查看parse_opt函数，第一个参数“–weights”,default=ROOT / ‘yolov5s.pt’,所以将在上一小节中下载的yolov5s.pt文件放置在与detect.py文件相同的路径下，确认无误之后运行detect.py，你可以在IDE中运行，也可以在终端中运行。

终端输入：

python detect.py

如果没有报错，则没问题，且在ROOT目录下会新建一个run文件夹，run/detect/exp路径下会出现两张检测好的图片，这是代码自带的两张图片，用于测试。
如果没有成功运行，检测自己环境的配置，学会查看报错代码。

四、准备数据集

根据自己的目标选择对应的数据集，对图片打好标签，使用labelimg工具，没有的先安装

pip install labelimg

打开labelimg。终端输入：

labelimg

然后对图片打标签就是了，记得设置好保存文件夹路径哦~
最终的数据集目录结构为：

images文件夹中的图片的名称必须要与labels文件夹中的txt文件的名称一致，仅仅是文件后缀不同。如果是500张图片的话，建议train文件夹中放置400张，val文件夹下放置60张，test文件夹下放置40张，当然这只是我的建议，没有验证过的【笑脸ing】。
有些数据集是自带标签的，这个很不错，_{打标签的日子太煎熬【哭脸ing】}。然后，可能有些标签文件格式是.xml的，这时就需要将其转化为txt文件了，具体操作可以看看这一篇文章将xml文件转yolov5训练数据txt标签文件，附带代码下载哦。

五、开始训练

接下来就是train.py的时间咯~

1、配置data/*.yaml文件

与detect.py一样在根目录下，打开train.py 文件，主要修改几个参数。当然在修改参数前，先创建两个配置文件吧，data/VOC.yaml，复制这个文件，然后修改文件名VOC_mydataset1.yaml（名字啥的你喜欢就好，重点是文件里的内容），严格按照格式填写，如下图样式，只修改绿色部分代码。
path：这是数据集文件夹的绝对路径
train：相对路径，如images/train，如果你按照上面介绍的路径结构放置图片，则这下面三个内容可以不用修改，只需要写对path对应的路径
val：同上
test：同上，也可以不写，因为train.py运行时不涉及测试图片，只需要训练集train以及验证集val
names：列举所有的标签种类名

nc：标签种类的数量，如下图，我训练的数据集涉及20个对象，填20就是了

2、配置models/*.yaml文件

同上一小节，进入models文件夹，复制yolov5s.yaml文件，注意这儿因为我们使用的权重是yolov5s.pt，对应的都是“s”，如果你想使用yolov5x.yaml模型也行，那你需要的权重就应选用yolov5x.pt，复制之后粘贴更改名字，我的之间改为yolov5s_mydataset1.yaml，简单明了（赞~）。这个文件只需要修改nc的值，与上一节一个意思，我这改为20，保存退出。

3、train.py

修改以下参数：
“–weights”:权重文件路径，如图修改即可；
“–cfg”:模型配置文件，即刚才创建的models文件夹下的yolov5s_mydataset1.yaml
“–data”:数据集配置文件，刚才创建的data文件夹下的VOC_mydataset1.yaml
保存运行即可。

默认使用GPU训练数据，如果没有GPU就使用CPU，相信我，CPU的训练速度会让你大吃一惊的（煎熬啊~）
使用GPU需要安装torch库，不过相信能走到这里的都已经安装好了，就是cuda的版本可能会不同，版本不对可能出现一些莫名的错误，比如训练时loss下方的值一直显示为 nan，尝试如下操作可解决：

在132行，或者“Ctrl+F”查找“amp”，如上所示，注释掉amp = check_amp(model) # check AMP，然后改为amp=False 成功解决。

其他

再讲一下训练过程。
可能需要使用到Arial.ttf字体文件，一般是自动下载，然后网速慢下载失败需要自己下载，然后可以放置在跟目录下，或者放置在它原放置路径也行，如图：

每一轮训练，有一些数值显示，如各种loss，这些loss是随着训练轮数增加而减少的，表示模型逐渐成型，还有平均精度值mAp50，P值，R值，如果这些数值为0，且一直都没变，比如下图有0、有nan值，则说明出现问题了，需要停止运行，检测代码，下图就是我在数天探索之中遇到的其中一个不大不小的问题而已（哭死，当时不知道，就让它训练了近一个小时，结果啥也没用），问题好像是版本不同造成的，按照上一小节的方法可以解决。

这是正常运行的截图：

忘记设置禁止休眠了，跑了7个小时……不过好在训练好了，300张图片，训练200轮，最后的检测结果不算很好，比较图片少，类别多嘛，训练轮数也不多，后来用了1000张图片训练，也是200轮，不过是在前一次训练好的权重文件的基础上进行训练的，加起来相当训练400轮了吧，不知道这样算对不对（哈哈哈），然后识别成功率的确提升了不少，如图：


当然，也有一些错误，比如这张，你说它是猫（cat）吗？[滑稽]

最后

感谢各位的浏览，希望能提供给各位友友们帮助，解决一些问题，祝各位万事顺利[加油]！