YOLO5模型训练过程_mac训练yolov5

1.环境配置

我采用的是Anaconda+Pycharm的配置，python=3.8。

Anaconda安装自己百度

创建conda环境：

conda create --name 改成你的环境名称 python=3.8

2.下载Yolov5

github地址

https://github.com/ultralytics/yolov5

需要用到的权重文件：

github：

https://github.com/ultralytics/yolov5/releases/tag/v6.0

下载yolov5s.pt文件

权重文件下载放到Yolov5根目录

3.安装依赖库

conda创建环境

conda create -n goods python=3.8

使用conda进入你创建的环境

activate 你的环境

linux添加环境变量

export PATH=$PATH:/root/anaconda3/bin

linux使用，如果你使用的是较早版本的Conda（如Conda 4.6之前的版本）

source activate 你的环境

进入YOLO5根目录，安装需要的库

pip install -r requirements.txt

4.测试：detect.py文件

运行detect.py文件，若没有问题在runs/detect/exp目录会得到以下图片

五、训练文件修改

1、修改train.py

修改goods.yaml文件

goods.yaml文件参数

path训练集参数在项目中的绝对路径

train训练集文件地址

val测试集文件地址

names你创建的标签列表（如何创建标签查看第六步）

六、制作自己的数据集之制作标签

常用的制作标签软件labelme、labelImg

我使用的是labelImg

安装labelImg

pip install labelImg

启动labelImg

labelImg

然后打开图片框选要识别的物体 - 输入标签保存即可

训练的图片放到datasets/goods/images/train里面

labelImg保存的txt文件放到datasets/goods/labels/train里面

注意：需要修改这个为YOLO

注意：训练图片名称和标签名称必须是一样的

如果是json文件需要转换成txt文件

import json
import os
 
name2id =  {'nonFuShanQuan':0}#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 = 'D:\\daima\\pythonDome\\goods\\' + 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 = 'D:\\daima\\pythonDome\\goods\\'
    #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)

如果是xml文件需要转成txt文件

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 = ['nonFuShanQuan']
    # 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)

七、开始训练train.py

报错：COMET_GIT_DIRECTORY if your Git Repository is elsewhere

解决：卸载掉comet_ml

pip uninstall comet_ml

报错（好像解决上面的就行了）：UnicodeDecodeError: 'gbk' codec can't decode byte 0x80 in position 234: illegal multibyte sequence

训练成功

八、识别检测detect.py

搜索parse_opt方法

--weights：训练好的权重文件（runs/train/exp/weights中）,best.pt为最好的一次，last.pt为最后一次

--source：要检测的文件，可以是图片文件夹、本地图片视频、线上图片视频、摄像头。填0时为打开电脑默认摄像头

--data：数据集参数文件

--imgsz：图片大小

--conf-thres：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

主要修改这三个

结果在runs/detect/exp中

部署到安卓系统