yolov5 保姆级别教入门，不会就把我头打爆。_香橙派5gpu

yolov5 保姆级别教入门，不会就把我头打爆。

前言：

仓库地址：

数据集地址：

这里引用两篇更有含金量和更详细的文章，也是他们领我进门的。

• 手把手教你使用YOLOV5训练自己的目标检测模型-口罩检测-视频教程
• 爆肝6000字Yolov5保姆级教程，80岁老奶奶都看得懂！

玩转yolov5：

• 环境配置，多的我也不说，我搭建的环境是linux+anaconda+pytorch（gpu版，强烈要求用gpu）cuda11.4+cudnn+pycharm，详细的请看：

  如何在pycharm中配置anaconda的虚拟环境_dejahu的博客-CSDN博客_如何在pycharm中配置anaconda，但我要记录一个坑，一开始我以为pytorch（gpu版）要用到对应的cuda和cudnn版本，本地机器也要安装对应好的版本其实才能用，其实不然，只要版本高于或等于 pytorch（gpu版）要用到对应的cuda和cudnn版本就o了，反正我是装了cuda11.4的，然后pytorch用到了cuda11.3。

• 下载源码，直接下载yolov5官方源码就好了，仓库：https://github.com/ultralytics/yolov5，

  （gitee里面也有官方库）然后把里面的用不到的文件删掉或者整合到一个doc文件夹内，包括但不限于.github文件夹，让项目看上去简洁一点，突出我们要用到的东西

• 安装其他python库，首先前提是在配置好的conda环境，并激活了环境activate yolo

  在yolov5当前目录下执行pip install -r requirements.txt即可，其他一切静等岁月静好。

• 测试一下，如果一切都准备好了，可以在终端输入python detect.py --source data/images/bus.jpg --weights pretrained/yolov5s.pt，第一次运行应该会下载一个yolov5s.pt的模型，需要等待一下。

  

  在runs目录下可以找到检测之后的结果

  

• 准备数据集，前面所做的一切都可以理解为准备好“炼丹炉”，这一步是能否好好炼丹（训练模型）重要的一步（准备好柴火），首先得下载一个图片标注的软件labelimg，虽然或许有很多其他好的坏的标注工具，但我还是倾向于用这个，起码源码在https://github.com/tzutalin/labelImg找得到，按照以往的网上很多的教程都是把源码download下来，然后配置好环境，然后python labelimg.py当然现在确实也可以这样做，但我推荐你直接来一个pip install labelimg,然后在终端输入labelimg并回车即可进入我们的界面中来。进入之后，首先我们先把一些选项勾上，便于我们标记。然后，最重要的是把标记模式改为yolo。

  

  标注的过程是：

  1.打开图片目录

  

  2.设置标注文件保存的目录并设置自动保存

  

  3.开始标注，画框，标记目标的label，crtl+s保存，然后d切换到下一张继续标注，不断重复重复

  

  labelimg的快捷键如下，学会快捷键可以帮助你提高数据标注的效率。

  

  标注完成之后你会得到一系列的txt文件，这里的txt文件就是目标检测的标注文件，其中txt文件和图片文件的名称是一一对应的，如下图所示：

  

  打开具体的标注文件，你将会看到下面的内容，txt文件中每一行表示一个目标，以空格进行区分，分别表示目标的类别id，归一化处理之后的中心点x坐标、y坐标、目标框的w和h。

  

• 修改数据集配置文件

  我觉得这一步也十分重要，一个好的索引才方便训练的时候找到对应的训练数据集，我尝试过其他的数集文件摆放，然后就就出错了我也不知道为啥，路径啥的都是对的，所以我强烈推荐以后每一个训练无论数据集数量多少都要这样摆放

  data_set
  └─ score
  ├─ images
  │ ├─ test # 下面放测试集图片
  │ ├─ train # 下面放训练集图片
  │ └─ val # 下面放验证集图片
  └─ labels
  ├─ test # 下面放测试集标签
  ├─ train # 下面放训练集标签
  ├─ val # 下面放验证集标签

  

  

  这里的配置文件是为了方便我们后期训练使用，我们需要在data目录下创建一个data.yaml的文件:

  # Custom data for safety helmet
  
  
  # train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
  train: /home/lin/Desktop/pycharm_project/yolov5/data_set/images/train
  val: /home/lin/Desktop/pycharm_project/yolov5/data_set/images/val
  
  # number of classes
  nc: 10
  
  # class names
  names: ['hero', 'tower','soldier'
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11