机器视觉抓取（0）——Yolov5_v6.1部署训练及代码解读(我的入门篇，之后均以V6.0版本开展)_yolov5代码

5.Yolov5实操训练（重点）

一、前言

1.集成的资源，包括我自己做成的成品，可以直接train与detect。需要加qq群：938162384

2.本文目的主要是能够让读者复现，直接使用，而且少讲原理。如果想深入了解yolov5的原理，可以去看热度比较高的博主做的

3.如果是制作自己的数据集，那么有一个自己给训练集打标签的过程，那么需要看第五、六部分；如果用公开的数据集，那么可跳过第五部分

4.本次大更新，采用2022.06.28版本，应该是v6.1，

二、学习内容

2020年6月25日，Ultralytics发布了YOLOV5 的第一个正式版本，其性能与YOLO V4不相伯仲，同样也是现今最先进的对象检测技术，并在推理速度上是目前最强，yolov5按大小分为四个模型yolov5s、yolov5m、yolov5l、yolov5x。

操作的流程图

三、版本与配置声明

# YOLOv5 requirements
# Usage: pip install -r requirements.txt

# Base ----------------------------------------
matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.1
Pillow>=7.1.2
PyYAML>=5.3.1
requests>=2.23.0
scipy>=1.4.1  # Google Colab version
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0
protobuf<4.21.3  # https://github.com/ultralytics/yolov5/issues/8012

# Logging -------------------------------------
tensorboard>=2.4.1
# wandb

# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0

# Export --------------------------------------
# coremltools>=4.1  # CoreML export
# onnx>=1.9.0  # ONNX export
# onnx-simplifier>=0.3.6  # ONNX simplifier
# scikit-learn==0.19.2  # CoreML quantization
# tensorflow>=2.4.1  # TFLite export
# tensorflowjs>=3.9.0  # TF.js export
# openvino-dev  # OpenVINO export

# Extras --------------------------------------
ipython  # interactive notebook
psutil  # system utilization
thop  # FLOPs computation
# albumentations>=1.0.3
# pycocotools>=2.0  # COCO mAP
# roboflow

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

四、Yolov5的准备

1.基本的Python环境配置
我采用的是Anaconda+Pycharm的配置，大家要了解一些关于pip的指令，方便管理包，这里就不赘述了。

2.下载Yolov5
https://github.com/ultralytics/yolov5，放在合理的位置，如果这个下的慢的话，通过qq群下载。

3.安装依赖库
当我们下好yolov5后，可以发现有一个requirements.txt文件，我们可以使用Anaconda Prompt(或者cmd或者pycharm的终端)，执行下面一行代码（要requirements.txt所在文件夹下使用cmd等），即可一步到位全部下完。

pip install -r requirements.txt
1

这个过程下载很慢，可以进行pip加速，参考如下博客：

https://blog.csdn.net/zhengyuehai/article/details/124081661?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522167807035016800188592370%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=167807035016800188592370&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-2-124081661-null-null.142^v73^insert_down1,201^v4^add_ask,239^v2^insert_chatgpt&utm_term=pycharm%E7%BB%88%E7%AB%AF%E5%AE%89%E8%A3%85pip%E5%A4%AA%E6%85%A2&spm=1018.2226.3001.4187
1

大部分都能pip install 。重点说两个

（1）对于Pytorch，如果文件较大没有办法下完的话，可以用我下面的网址单独下载whl文件，

https://download.pytorch.org/whl/torch_stable.html

torch>=1.7.0
torchvision>=0.8.1
1
2

（2）对于wandb，wandb安装方法，这个好像不是必须的，但我还是下了，版本为0.12.19，刚好能兼容，作用就是对训练分析，如图所示

wandb安装方法:如果使用pip加速，直接安装就行不需要注册

pip install wandb
1

否则参考如下：

https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/116124285?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162791597216780265438950%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=162791597216780265438950&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_v2~rank_v29-8-116124285.first_rank_v2_pc_rank_v29&utm_term=wandb&spm=1018.2226.3001.4187
1

wandb实际上是非必须的，如果影响到了使用，那么在程序中可以把它禁止使用，不影响任何效果。在yolov5/utils/loggers/wandb/wandb_utils.py前面几行，加入如下图所示的第28行输入wandb=None

四、初步测试：detect.py

下载完yolov5后，什么都不用改，运行detect.py

这个是帮你检测能不能正常运行的

若正常：

在runs/detect/exp中能发现被处理过的标签，说明成功了！若程序报错，大概率是因为有的库版本不正确或者还未安装，这个自己调试一下即可，应该没有太大难度

五、训练集要求及路径要求

训练集至少100张起步才有效果。要想效果好，用公开的数据集，几千张才会有较好的效果。

训练集就是你需要train并用于detect的东西，我以玉米作为例子，你可以跟着我来一遍，资源在qq群。要做自己的训练集的话再看第五步。跟着我的话可以不用做标签，因为资源中已经做好了

如下图所示创建文件夹，让操作更清晰方便

images是图片，labels是标签，train的话是用于训练的，test就是用于测试的，这里一定一定要照着我的格式去建文件夹（seed_detection_model指训练的数据文件夹，这个可以改成你们的数据集的名字，但是其余的一定要一样），不然后面训练会出现找不到文件的报错

六、制作自己的数据集之制作标签

可采用labelme和labelimg，前者需要json标注格式转txt，后者需要xml标注格式转txt。我只用过前者，只给出前者的用法。

1.下载labelme

https://github.com/wkentaro/labelme，如果下载得慢的话见文末资源

2.安装依赖库

在pycharm终端里pip install pyqt5和pip install labelme

3.labelme操作

然后在pycharm终端里输入labelme，打开界面如下

可以选择打开一个文件或者文件夹，如果是打开文件夹的话就会是下面那样子

右击，点击rectangle，即画矩形框，框选你要识别训练的东西，举种子识别的例子

框选之后输入标签的名字，注意，必须选择矩形框，否则json转txt会出错，可以框选多个作为标签。框选完一张图后保存，然后接着下一张图。保存的文件格式是.json

4.json转txt

由于yolov5只认txt而不认json，因此还要有一个转换的过程

在yolov5-master中创建一个.py文件，代码如下

import json
import os

name2id = {'corn': 0, 'soybean': 1}  # 标签名称


def convert(img_size, box):
    dw = 1. / (img_size[0])
    dh = 1. / (img_size[1])
    x = (box[0] + box[2]) / 2.0 - 1
    y = (box[1] + box[3]) / 2.0 - 1
    w = box[2] - box[0]
    h = box[3] - box[1]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)


def decode_json(json_floder_path, json_name):
    txt_name = 'C:\\Users\\17616\\Desktop\\txt\\' + json_name[0:-5] + '.txt'
    # 存放txt的绝对路径
    txt_file = open(txt_name, 'w')

    json_path = os.path.join(json_floder_path, json_name)
    data = json.load(open(json_path, 'r', encoding='gb2312', errors='ignore'))

    img_w = data['imageWidth']
    img_h = data['imageHeight']

    for i in data['shapes']:

        label_name = i['label']
        if (i['shape_type'] == 'rectangle'):
            x1 = int(i['points'][0][0])
            y1 = int(i['points'][0][1])
            x2 = int(i['points'][1][0])
            y2 = int(i['points'][1][1])

            bb = (x1, y1, x2, y2)
            bbox = convert((img_w, img_h), bb)
            txt_file.write(str(name2id[label_name]) + " " + " ".join([str(a) for a in bbox]) + '\n')


if __name__ == "__main__":

    json_floder_path = 'C:\\Users\\17616\\Desktop\\json\\'
    # 存放json的文件夹的绝对路径
    json_names = os.listdir(json_floder_path)
    for json_name in json_names:
        decode_json(json_floder_path, json_name)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52

建两个文件夹

转化完后大概会是这样子，如果一张图有多个标签的话，这个数据就会变多，

转换完的txt文件务必放在datasets/labels/train文件夹中

简单说明一下，第一个数字是数据集中第0个种类，其余均是与坐标相关的值，软件生成，可不用管。

5.xml转txt

如果使用别的打标签文件或者是原先已经打好的xml文件标签，那么我也给出相关的转换代码

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
 
 
def convert(size, box):
    # size=(width, height)  b=(xmin, xmax, ymin, ymax)
    # x_center = (xmax+xmin)/2        y_center = (ymax+ymin)/2
    # x = x_center / width            y = y_center / height
    # w = (xmax-xmin) / width         h = (ymax-ymin) / height
 
    x_center = (box[0] + box[1]) / 2.0
    y_center = (box[2] + box[3]) / 2.0
    x = x_center / size[0]
    y = y_center / size[1]
 
    w = (box[1] - box[0]) / size[0]
    h = (box[3] - box[2]) / size[1]
 
    # print(x, y, w, h)
    return (x, y, w, h)
 
 
def convert_annotation(xml_files_path, save_txt_files_path, classes):
    xml_files = os.listdir(xml_files_path)
    # print(xml_files)
    for xml_name in xml_files:
        # print(xml_name)
        xml_file = os.path.join(xml_files_path, xml_name)
        out_txt_path = os.path.join(save_txt_files_path, xml_name.split('.')[0] + '.txt')
        out_txt_f = open(out_txt_path, 'w')
        tree = ET.parse(xml_file)
        root = tree.getroot()
        size = root.find('size')
        w = int(size.find('width').text)
        h = int(size.find('height').text)
 
        for obj in root.iter('object'):
            difficult = obj.find('difficult').text
            cls = obj.find('name').text
            # if cls not in classes or int(difficult) == 1:
            #     continue
            cls_id = classes.index(cls)
            xmlbox = obj.find('bndbox')
            b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
                 float(xmlbox.find('ymax').text))
            # b=(xmin, xmax, ymin, ymax)
            # print(w, h, b)
            bb = convert((w, h), b)
            out_txt_f.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
 
 
if __name__ == "__main__":
    # 把forklift_pallet的voc的xml标签文件转化为yolo的txt标签文件
    # 1、需要转化的类别
    classes = ['People', 'Car', 'Bus', 'Motorcycle', 'Lamp', 'Truck']
    # 2、voc格式的xml标签文件路径
    xml_files1 = r'D:\Technology\Python_File\yolov5\M3FD\Annotation_xml'
    # xml_files1 = r'C:/Users/GuoQiang/Desktop/数据集/标签1'
 
    # 3、转化为yolo格式的txt标签文件存储路径
    save_txt_files1 = r'D:\Technology\Python_File\yolov5\M3FD\Annotation_txt'
 
    convert_annotation(xml_files1, save_txt_files1, classes)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66

七、修改配置文件

1.coco128.yaml->seed_detection_parameter.yaml

在yolov5/data/coco128.yaml中先复制一份，粘贴到Seed_detection_model文件夹中，改名为Seed_detection_model_parameter.yaml（意义为Seed_detection_model的参数配置）

Seed_detection_model_parameter.yaml（文件需要修改的参数是nc与names。nc是标签名个数，names就是标签的名字，检测目标例子中有2个标签[玉米，大豆]，标签名字都如下。

说明：

path是绝对路径

train是在path绝对路径条件下的训练集路径，即：Seed_detection_model\datasets\images\train

val同上，但是是验证集，这里我为了方便，让训练集和验证集是一个，也没啥大问题。

test可不填

关于训练集、验证集、测试集三者关系:

https://blog.csdn.net/nkwshuyi/article/details/94593053
1

nc是训练集中种类的个数，names是他们对应的名字，这个顺序不要混了，尤其是自己打标签时，会有对应的顺序的。

2.yolov5x.yaml->seed_detection_model.yaml

yolov5有4种配置，不同配置的特性如下，我这里选择yolov5x，效果较好，但是训练时间长，也比较吃显存

yolov5有4种配置，不同配置的特性如下，我这里选择yolov5x，效果较好，但是训练时间长，也比较吃显存

在yolov5/models先复制一份yolov5x.yaml至Seed_detection_model文件夹中，更名为seed_detection_model.yaml（意为模型），只将如下的nc修改为训练集种类即可

八、开始训练train

1.调参

在train.py，找到def parse_opt(known=False)这行，这下面是我们要修改的程序部分

def parse_opt(known=False):
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default='yolov5x.pt', help='initial weights path')    # 修改处 初始权重
    parser.add_argument('--cfg', type=str, default=ROOT /'Seed_detection_model/Seed_detection_model.yaml', help='model.yaml path')  # 修改处 训练模型文件
    parser.add_argument('--data', type=str, default=ROOT /'Seed_detection_model/Seed_detection_parameter.yaml', help='dataset.yaml path')  # 修改处 数据集参数文件
    parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')  # 超参数设置
    parser.add_argument('--epochs', type=int, default=100)  # 修改处 训练轮数
    parser.add_argument('--batch-size', type=int, default=10, help='total batch size for all GPUs, -1 for autobatch')  # 修改处 batch size
    parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=300, help='train, val image size (pixels)')# 修改处 图片大小
    parser.add_argument('--rect', action='store_true', help='rectangular training')
    parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
    parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
    parser.add_argument('--noval', action='store_true', help='only validate final epoch')
    parser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')
    parser.add_argument('--noplots', action='store_true', help='save no plot files')
    parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')
    parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
    parser.add_argument('--cache', type=str, nargs='?', const='ram', help='--cache images in "ram" (default) or "disk"')
    parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
    parser.add_argument('--device', default='cpu', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')#修改处，选择
    parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
    parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
    parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='SGD', help='optimizer')
    parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
    parser.add_argument('--workers', type=int, default=4, help='max dataloader workers (per RANK in DDP mode)')#修改处
    parser.add_argument('--project', default=ROOT / 'runs/train', help='save to project/name')
    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')
    parser.add_argument('--quad', action='store_true', help='quad dataloader')
    parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler')
    parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
    parser.add_argument('--patience', type=int, default=100, help='EarlyStopping patience (epochs without improvement)')
    parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone=10, first3=0 1 2')
    parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')
    parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')

    # Weights & Biases arguments
    parser.add_argument('--entity', default=None, help='W&B: Entity')
    parser.add_argument('--upload_dataset', nargs='?', const=True, default=False, help='W&B: Upload data, "val" option')
    parser.add_argument('--bbox_interval', type=int, default=-1, help='W&B: Set bounding-box image logging interval')
    parser.add_argument('--artifact_alias', type=str, default='latest', help='W&B: Version of dataset artifact to use')

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

我标注“修改处”的，是一定要修改的；其他的注释是一些较为重要的参数，对于小白而言不改也可。具体修改的地方为defalut后

479行：是我们训练的初始权重的位置，是以.pt结尾的文件，第一次训练用别人已经训练出来的权重。可能有朋友会想，自己训练的数据集和别人训练的数据集不一样，怎么能通用呢？实际上他们是通用的，后面训练会调整过来。而如果不填已有权重，那么训练效果可能会不好；

480行：训练模型文件，在本项目中对应wzry_model.yaml；

481行：数据集参数文件，在本项目中对于wzry_parameter.yaml；

482行：超参数设置，是人为设定的参数。包括学习率啥的等等，可不改；

483行：训练轮数，决定了训练时间与训练效果。如果选择训练模型是yolov5x.yaml，那么大约200轮数值就稳定下来了（收敛）；

484行：批量处理文件数，这个要设置地小一些，否则会out of memory。这个决定了我们训练的速度；

485行：图片大小，虽然我们训练集的图片是已经固定下来了，但是传入神经网络时可以resize大小，太大了训练时间会很长，且有可能报错，这个根据自己情况调小一些；

487行：断续训练，如果说在训练过程中意外地中断，那么下一次可以在这里填True，会接着上一次runs/exp继续训练

496行：GPU加速，填0是电脑默认的CUDA，前提是电脑已经安装了CUDA才能GPU加速训练，安装过程可查博客

501行：多线程设置，越大读取数据越快，但是太大了也会报错，因此也要根据自己状况填小。

---

2.结果

运行效果正确的应该是这个样子：

结果保存在runs/train/exp中，多次训练就会有exp1、exp2、等等

• P
  Precision：精确率，对类A来说（下面提到的都是被预测成A的）：P=正确数/预测总数
  或P=正确数/正确数+错误数，即，预测的东西正确了多少百分比。
• R
  Recall：召回率，对类A来说（下面提到的都是被归为A类的）：R=预测正确数/真实A类总数。
  或R=预测正确数/被预测到的A+未被预测到的A，即，预测的东西找到了多少百分比。
• mAP
  mean Average Precision：每个类的AP值的平均数。
  用于表达多类标签预测的性能，如AP一样，mAP越高，性能越好。
  mAP@.5：
  当loU为0.5时的mAP
  mAP@.5:.95：
  当loU为range(0.5:0.95:0.05)时的mAP的平均数。

best.pt和last.pt是我们训练出来的权重文件，比较重要，用于detect.py。last是最后一次的训练结果，best是效果最好的训练结果（只是看起来，但是泛化性不一定强）。

九、识别检测detect.py

1.找到def parse_opt():这行，以下是我们要调参的位置

def parse_opt():
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', nargs='+', type=str, default=ROOT /'runs/train/exp/weights/last.pt', help='model path(s)')  # 修改处 权重文件
    parser.add_argument('--source', type=str, default=0, help='file/dir/URL/glob, 0 for webcam')# 修改处 图像、视频或摄像头
    parser.add_argument('--data', type=str, default=ROOT / 'Seed_detection_model/Seed_detection_parameter.yaml', help='(optional) dataset.yaml path')  # 修改处  参数文件
    parser.add_argument('--imgsz', '--img', '--img-size', nargs='+', type=int, default=[640], help='inference size h,w')  # 修改处 高 宽
    parser.add_argument('--conf-thres', type=float, default=0.5, help='confidence threshold')  # 置信度
    parser.add_argument('--iou-thres', type=float, default=0.45, help='NMS IoU threshold')# 非极大抑制
    parser.add_argument('--max-det', type=int, default=1000, help='maximum detections per image')
    parser.add_argument('--device', default='cpu', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')  # 修改处
    parser.add_argument('--view-img', action='store_true', help='show results')
    parser.add_argument('--save-txt', action='store_true', help='save results to *.txt')
    parser.add_argument('--save-conf', action='store_true', help='save confidences in --save-txt labels')
    parser.add_argument('--save-crop', action='store_true', help='save cropped prediction boxes')
    parser.add_argument('--nosave', action='store_true', help='do not save images/videos')
    parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --classes 0, or --classes 0 2 3')
    parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS')
    parser.add_argument('--augment', action='store_true', help='augmented inference')
    parser.add_argument('--visualize', action='store_true', help='visualize features')
    parser.add_argument('--update', action='store_true', help='update all models')
    parser.add_argument('--project', default=ROOT / 'runs/detect', help='save results to project/name')
    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')
    parser.add_argument('--line-thickness', default=3, type=int, help='bounding box thickness (pixels)')
    parser.add_argument('--hide-labels', default=False, action='store_true', help='hide labels')
    parser.add_argument('--hide-conf', default=False, action='store_true', help='hide confidences')
    parser.add_argument('--half', action='store_true', help='use FP16 half-precision inference')
    parser.add_argument('--dnn', action='store_true', help='use OpenCV DNN for ONNX inference')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

217行：填我们训练好的权重文件路径

218行：我们要检测的文件，可以是图片、视频、摄像头。填0时为打开电脑默认摄像头

219行：数据集参数文件，同上

220行：图片大小，同上

221行：置信度，当检测出来的置信度大于该数值时才能显示出被检测到，就是显示出来的框框

222行：非极大抑制，具体不赘述了，自行查阅，可不改

224行：GPU加速，同上

    """
    weight:表示模型的权重参数的路径
    source:表示数据源，可以是图片文件、目录、URL 0为网络摄像头
    imgsz:表示输入图片的大小 默认640*640
    conf-thres:置信度阈值，默认0.25 用于非极大值抑制
    iou-thres:iou阈值，默认0.45 用于非极大值抑制
    max-det:图片最多可以有多少个预测框
    device:程序被装载的位置 CPU或GPU
    view-img:是否展示图片 默认False
    save-text:是否将预测框保存为txt 默认为False
    save-conf: 是否将置信度保存到txt中 默认False
    save-crop: 是否保存裁剪预测框图片, 默认为False
    nosave: 不保存图片、视频 默认False 即保存结果
    classes: 设置只保留某一部分类别, 形如0或者0 2 3
    agnostic-nms: 是否多个类别一起计算nms 默认为False
    augment: 推断时是否进行数据增强 默认为False
    visualize: 是否可视化网络层输出特征 默认为False
    update: 如果为True,则对所有模型进行strip_optimizer操作,去除pt文件中的优化器等信息,默认为False
    project: 保存结果的路径
    name: 保存结果的目录名
    exist_ok: 是否重新结果目录 默认为False
    line-thickness: 画框的线条粗细
    hide-labels: 可视化时隐藏预测类别
    hide-conf: 可视化时隐藏置信度
    half: 是否使用F16精度推理, 半进度提高检测速度
    dnn: 用OpenCV DNN预测
    """
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

---

2.结果

结果在runs/detect/exp中

十、debug

我猜测大多数问题为：

1.xxx not found，明明自己做了标签但是没找到。那很有可能是你的文件路径没照着我去做。细心的朋友发现了，在wzry_parameter时只填了训练集的图片，没填标签，那它能检测到标签吗？可以检测到，是因为文件夹命名的原因，标签文件夹命名为labels就可。

2.显卡爆了，那就调低train中我列出来的那几行default

3.有朋友说他在训练时，box obj cls labels的值为0或nan。正常情况下是正常的数（我发了训练的时候的图片），我猜测可能是训练集标签没做好（数据集中存在标注错误的东西、训练难度大） 或者 路径没写对 或者 超参数 没调好

4.路径不要带中文，建议改成全英文，否则可能会出现意料之外的错误

5.pycharm闪退，很有可能是因为你电脑out of memory了，电脑寄了，调小batch size和workers。

6.index 9 is out of bounds for axis 1 with size 2之类的问题，可能是标签txt文件里的种类数字超过了在yaml配置文件中nc与names未配置好，标签文件与配置文件的classes未配对上。因此，txt标签文件与配置文件都要仔细检查一下。

7.No labels found之类的问题，1：要将数据集标签格式转化为txt格式，2：要将数据集的目录名字改成我写出来的那样，尤其是images和labels。

十一、是否可以部署至树莓派？

之前看别人用yolov5x.yaml作网络，根本跑不动，三秒一帧。

在B站上有很多演示，如果部署会非常卡，就算部署，也是采用最轻量级的yolov5s.yaml。

目前正在研究这个事，最好的解决方法是采用darknet框架的yolo-fastest，fps能达到10。后续我会写一个教程

十二、参考资料

1.YOLO v5 代码精读 （1） detect.py模块以及非极大值抑制

https://blog.csdn.net/qq_63708623/article/details/128448549
1

2.YOLO v5 代码精读 （2） train.py模块

https://blog.csdn.net/qq_63708623/article/details/128486944
1

3.YOLO v5 代码精读（3）YOLO网络结构

https://blog.csdn.net/qq_63708623/article/details/128543267
1

4.YOLOv5深度剖析（4）

https://blog.csdn.net/qq_63708623/article/details/129207668
1

5.YOLO 模型的评估指标（5）——IOU、Precision、Recall、F1-score、mAP

https://blog.csdn.net/qq_63708623/article/details/128508776
1