可能是全网最详细的YOLO-v5目标检测入门教程-从环境搭建到训练自己的数据集_yolov5 入门

---

系统环境

        中央处理器CPU：Intel® Core™ i5 7400 3.00 GHz
        运行内存：16 GB
        图形处理器GPU：NVIDIA- Tesla M40 12G
        系统：Windows 10专业版22H2操作系统

环境安装地址

        YOLO-v5（官方地址）：YOLO-v5
        Pytorch（官方地址）：Pytorch
        Miniconda（清华镜像）：Miniconda

---

一、环境搭建

1）下载YOLO-v5

        首先，进入GitHub下载YOLO-v5框架。

        在pycharm中配置环境，并安装相应的库，使用清华的镜像源下载速度会更快。

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
1

        库的版本太新，可能会报错，可以参考我安装的版本

2）创建‘weights‘文件夹

        创建一个新的文件夹，用于存放YOLO-v5官方提供的预训练权重

        此时我们返回到YOLO-v5-GitHub官方下载权重文件，点击蓝色超链接即可进行下载

        这是我们已经下载好的权重文件

3）环境测试

        需要的环境和文件都已经准备完成了，接下来我们就可以进行detect（检测）测试环境搭建是否正常。

python detect.py --weights weights/yolov5s.pt --source data/images
1

        --weights的意思是指定权重文件，–source的意思是指定检测文件地址

        来看看我们训练之后的结果，进入runs–>detect–>exp 里面有所有预测好的照片

        可以正常检测出人、巴士，说明我们YOLO环境搭建没有问题

---

经过上面的学习，我们的YOLO-v5环境搭建已经完成了，接下来教大家如何使用YOLO-v5制作自己的数据集

---

二、制作数据集

1）使用labelimg标注

        准备yolo格式的数据集，大部分CVer都会使用labelImg进行数据的标注。

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple
1

        得到YOLO格式的txt文本文件。

        一张张图片进行标注，得到全部数据。

博主这里制作了54张苹果图像标签，其中训练集34张，测试集20张，如有需要可滴滴博主获取。

2）创建’datasets‘文件夹

        在YOLO-v5框架的中创建一个文件夹‘datasets’，用于存放数据集。

        制作完的YOLO数据标签后需要分门别类，图片文件夹中就是存放图片，标签文件夹就是存放标签，所以在datasets中创建需要新建两个文件夹，一个是图片，一个是标签。

        在images（图片）和labels（标签）中还需分别再创建两个文件夹，一个是train（训练），一个是val（测试）存放图片数据和标签数据。

        总体的文件夹架构如图所示。

        这块创建的文件夹有点多，有点绕，希望大家能看懂。

---

经过上面的学习，我们的数据集已经准备好了，接下来教大家如何在YOLO框架中添加数据源和修改网络模型

---

三、配置数据源和网络模型

1）配置数据源

        修改数据源：\data\coco128-apple.yaml，先复制一份，避免把配置搞乱无法复原。
        首先，修改数据集的训练数据源地址，需要将datasets文件夹的路径填入。其次，需要更改为你所需目标检测的标签名称(博主这里只检测苹果一种)。

2）修改网络模型

        修改模型配置文件：models/yolov5x-leaf.yaml
        这里只需要修改nc数，nc数指的是你目标检测的种类数，博主这只检测苹果，所以nc=1。

经过上面的学习，我们的一切准备工作都已就绪，接下来教大家如何在YOLO框架中训练自己的数据集

---

四、训练数据集

1）训练数据集

        现在就可以开始网络训练了！！！
        使用预训练权重yolov5s.pt，使用默认yolov5s网络框架进行训练，训练轮次为100轮。

python train.py  --weights weights/yolov5s.pt
1

2）得到训练数据

        最后可以在run文件夹中查看训练后的数据文件。

五、查看训练效果

        使用detect.py进行测试，–weights选择训练完毕的权重文件，–source选择需要测试的图片。

python detect.py --weights run/train/exp/weights/best.pt --source data/images
1

六、小提示

        我在训练中代码报错，提示没有将git添加进环境变量

只需要在train.py中添加这行代码即可！

os.environ["GIT_PYTHON_REFRESH"] = "quiet"      # 把git加入环境变量中
1