【Yolo】YoloV5训练自定义模型

【Yolo】Jetson Orin Nano下部署 YoloV5

        上一篇博文主要记录了在Jetson Orin Nano下部署YoloV5环境，并运行了yoloV5n.pt模型，本篇在上一篇的基础上，进一步记录如何训练自己的目标模型，我们以一根口香糖盒子为训练对象进行说明。

一、目标资源标记

1. 安装labelimg

       通过以下命令安装labelimg软件，labelimg用于在待训练的图片上进行目标标记。可以在windows和ubuntu下安装和使用，本文为了方便在Window10下安装，标记完再把生成的文件拷贝到Jetson Orin Nano下进行训练，因为我的Win10电脑没有显卡而Jetson Orin Nano的显卡非常牛逼。

pip install labelimg

安装完毕后，即可通过labelimg命令直接启动它，长这个样子。

 2. 准备素材

       2.1 建立目录

           新建一个文件夹用来存放训练资源，我们暂且将它命名为“CustomDataset”，在里面再按以下目录结构建立空文件夹：

                         Parent

                        ├── CustomDataset

                                └── images

                                         └──train

                                         └──val

                                └── labels

                                         └──train

                                         └──val

    2.2  准备图片

           多拍点待测物照片，放到一个文件夹CustomDataset/images/train里，这里拍了22张口香糖盒子的照片，从各个角度拍的照片越多，训练结果也就越聪明，后期识别就越精准。

 

 2.3 labimg标记资源

       通过Open Dir指定CustomDataset/images/train，载入所有图片，通过Change Save Dir指定CustomDataset/labels/train为标记文件的生成目录，在下图红色1的位置单击按钮切换到YOLO格式，它将来会生成*.txt格式的标记文件，如果是默认的VOC，它将生成*.xml格式的标记文件，虽然可以转换成*.txt，但我们为了方便直接选yolo格式。单击Create RectBox按钮然后框选目标，并输入一个类型名，后面每个图片的标记，就都用这同一个类型名，我这里是“YourYiDa”。后面依次把每个图片都要进行同样的标记，记得Ctrl+S保存。

 ​​​

 

 2.4 拷贝资源

       现在将CustomDataset/images/train里面的所有图片拷贝一份到val文件夹下，同样的把CustomDataset/labels/train里面的所有*.txt文件拷贝一份到val文件夹。然后把整个CustomDataset文件夹复制到Jetson Orin Nano下，为了跟yolov5源码隔离开，我将它跟yolov5的代码放到同一级目录（yolov5的克隆，见上一篇第五节内容）。

3.修改配置

      进入yolov5/data目录下，新建一个YourYiDa_data.yaml文件，名字可以自定义，取一个跟项目相关的名字就好，然后把以下内容贴进去，其中train目录为刚才拷贝进来的CustomDataset/images/train和val的实际路径。nc表示只识别目标物体种类，如果是多个也可以按实际个数去写，但下面names的类型名集合，就要跟nc个数保持一致，采用"names : ["YourYiDa", "Person", "Apple"]"这样的形式。这里为了方便记录，只识别一种。

#train and val data
train : ../../CustomDataset/images/train
val   : ../../CustomDataset/images/val

#number of classes
nc    : 1

#class names
names : ["YourYiDa"]

 进入yolov5/models目录下，将yolov5/models目录下的yolov5n.yaml复制一个，重命名为YourYiDa_model.yaml，并将其中的 nc节改为跟上面配置文件一致，本文是nc=1

 4. 训练

     进入yolov5目录下，执行以下命令：

python train.py --data ./data/YourYiDa_data.yaml  --cfg ./models/YourYiDa_model.yaml  --weight ./yolov5n.pt  --epoch 100 --batch 16 --device 0

 如果失败，请检查路径是否正确，另外资源被占用，内存不够也可能导致失败，可以关闭其他程序多试几次。正常训练如下图所示。

 训练成功后会输出best.pt权重文件，路径如下图，即在yolov5文件夹下的runs/train/exp7/weights目录下。

   如果此时Jetson Orin Nano上插着一个usb摄像头，通过 ls /dev/video* 命令可知，CSI摄像头设备号为0，而USB摄像头的设备号为1。那么就可以直接测试训练效果，命令如下：其中source 1表示USB摄像头。

python detect.py --source 1 --weights ./runs/train/exp7/weights/best.pt --img 640

5. 用DeepStream运行

      以上是采用USB摄像头执行yolov5自带的detect.py程序，根据上一篇文章，要想调用Jetson Orin Nano的CSI_Camera摄像头执行目标检测，就需要用DeepStream来调用yolov5。既然上一步生成了best.pt文件，那么下面就说说如何使用DeepStream来调用yolov5，过程跟上一篇文章的第七节过程类似，我们假定在上一篇环境已经搭建好的基础上来讲述下面操作。

     5.2 准备工作

           将上一步生成的best.pt文件复制到yolov5文件夹下，为便于区分，将其重命名为YiDaBest.pt。

     5.2 模型转换 

     进入到yolov5文件夹下，执行如下代码，会生成YiDaBest.cfg，YiDaBest.wts文件，将这两个文件拷贝到Deepstream-Yolo文件夹。

python gen_wts_yoloV5.py -w  ./YiDaBest.pt
sudo cp YiDaBest.cfg /opt/nvidia/deepstream/deepstream-6.2/sources/DeepStream-Yolo
sudo cp YiDaBest.wts /opt/nvidia/deepstream/deepstream-6.2/sources/DeepStream-Yolo

  将生成的YiDaBest.cf 

    5.3 修改deepstream配置

    修改config_infer_primary_yoloV5.txt 文件的一下变量

custom-network-config=YiDaBest.cfg
model-file=YiDaBest.wts

5.4 运行DeepStream实例

deepstream-app -c deepstream_app_config.txt