1 环境部署

1.1 安装pytorch

链接: https://blog.csdn.net/m0_46154334/article/details/124099406.

1.2 克隆yolov5

链接: https://github.com/ultralytics/yolov5.

在这里插入图片描述

Linux系统可以运行命令行

git clone https://github.com/ultralytics/yolov5.git

Windows10系统可以选择下载ZIP文件再解压

下载完成,如下图
在这里插入图片描述

1.3 安装所需库

进入yolov5的路径下,运行命令行

pip install -r requirements.txt

在这里插入图片描述
pytorch最好在前面装好,不然这里可能会报错

1.4 检验

运行命令行,输入

python detect.py --source ./data/images/ --weights yolov5s.pt --conf 0.4
参数 含义
source 被检测图片路径
weights 权重文件
conf 置信度

第一次运行时,会下载yolov5s.pt,可能会比较慢,后面就快了

结果如图
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2 数据集制作

2.1 OID数据集

获取链接: https://github.com/EscVM/OIDv4_ToolKit.

git clone https://github.com/EscVM/OIDv4_ToolKit.git
pip3 install -r requirements.txt

在这里插入图片描述
对应路径,数据集下载命令(苹果与橘子)

python main.py downloader --classes Apple Orange --type_csv train
python main.py downloader --classes Apple Orange --type_csv validation

下载会显示很多文件缺失,跟着下就行,下的很慢

下载完成后,部分效果图
在这里插入图片描述

2.2 OID到YOLO数据集格式转换

在这里插入图片描述
本质是标签重写

F:\yolo_project\YOLO-OpenVINO\voctoyolo_dataset_uil.py
修改参数data_dype、clazz_type、root_dir、valid_label_dir多次运行

3 模型配置与训练

3.1 数据集结构

yolov5数据集文件结构

在这里插入图片描述
将第二步的图片和标签复制到以上文件中(VOC可自定义)

3.2 修改配置文件

(1)yolov5/data/VOC.yaml
在这里插入图片描述

参数名
tarin 训练集文件路径
val 测试集文件路径
nc 种类数目
names 种类名称

复制 data 下的 voc.yaml,起一个新的名字如:voc-new.yaml
将以上四个变量值改成自己的数据集对应值

(2)yolov5/model/yolov5s.yaml

在这里插入图片描述
复制 model 下的 yolov5s.yaml,起一个新的名字如:yolov5s-new.yaml
将nc改成与vod-new.yaml中的nc值一致

3.3 训练

在 yolov5 路径下执行 :

python train.py --data data/voc-new.yaml --cfg models/yolov5s-new.yaml --weights yolov5s.pt --batch-size 4 --epochs 1000

训练走起
在这里插入图片描述
结果存储在
./yolov5/runs/train/exp11

在这里插入图片描述

4 模型训练可视化

4.1 下载tensorboard

pip install tensorboard
pip install tensorboardX

Tensorboard是tensorflow内置的一个可视化工具,下载tensorboardX后torch也可以用(不用再下tensorflow,不然环境很容易崩)

4.2 可视化

tensorboard --logdir F:\yolov5\runs\train\exp11

在这里插入图片描述

复制http://localhost:6006/,用浏览器打开

在这里插入图片描述

Logo

有“AI”的1024 = 2048,欢迎大家加入2048 AI社区

更多推荐