【深度学习】yolov5训练自定义目标检测模型并进行验证_yolov5增加长目标检测曾

运行环境

本教程使用的是anaconda下的虚拟环境：

• python 3.9.6
  
• pytorch 1.13.1
  
  yolov5 v6.0官方要求 Python>=3.6 and PyTorch>=1.7

从git中克隆项目

首先需要再电脑上安装git并添加到环境变量，并应用到pycharm。

注意安装git的时候需要在anaconda虚拟环境中，否则无法识别。
然后在github上找到开源地址。

输入到pycharm中并点击clone。

这样项目就从github上克隆到本机电脑上了。

制作数据集

打开本机电脑终端输入

pip install label
1

此处显示已安装！
输入labelimg打开图片标注工具。

注意：有多个python环境时安装labelimg可能会出错。由于PyQt5冲突导致，需要卸载pyqt5重新安装即可解决。

pip uninstall pyqt5 
1

代码结构

• data文件夹
  主要存放超参数配置文件，配置训练集、测试集的 路径，目标检测的种类及名称。下面以VOC.yaml为例子说明：

path: ../datasets/VOC        #voc文件的路径
train: # 训练集路径，可有多个
  - images/train2012
  - images/train2007
  - images/val2012
  - images/val2007
val: # 验证集路径
  - images/test2007
test: # 测试集路径
  - images/test2007

# Classes目标检测的种类及名称
names: 
  0: aeroplane
  1: bicycle
  2: bird
  3: boat
  4: bottle
  5: bus
  6: car
  7: cat
  8: chair
  9: cow
  10: diningtable
  11: dog
  12: horse
  13: motorbike
  14: person
  15: pottedplant
  16: sheep
  17: sofa
  18: train
  19: tvmonitor
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

• models
  模型定义和训练的代码，包括网络模型定义、损失函数、数据加载等。
• train.py
  训练自己数据集的函数
• detect.py
  利用训练好的权重参数进行目标检测，可以进行图像、视频和摄像头的检测。
• runs
  训练和测试过程中生成的结果和日志，包括训练日志、测试结果、可视化等。
• requirements.txt
  依赖库文件，记录了运行代码所需要的依赖库和版本号。
  可使用以下命令一键安装缺少的依赖库文件。

pip install -r requirements.txt
1

训练数据集

识别树叶，修改数据配置文件yaml内容如下：

names:
- leaf
nc: 1
train: D:\aLiyun\leaf\train
val: D:\aLiyun\leaf\valid
1
2
3
4
5

控制台执行以下命令：

python train.py --batch-size 2 --epoch 200 --data data/leaf/data.yaml  --weights .\yolov5s.pt 
1

下面开始训练

训练完两张图片就进行权重更新，训练200轮次。
训练结束后run文件夹里的train目录下会新增一个exp。
文件夹包含内容如下：

weight文件夹下面是权重文件，包含训练效果最好的一次和最后一次。
其他文件是训练可视化结果及训练精度。
可以使用tensorboard --logdir=runs/train命令进行训练结果可视化。

模型测试

最后使用训练出来的模型在没有标注的数据集上进行推理，使用如下命令，选择训练效果最好的一次权重。

python .\detect.py --source data/leaf/valid/images --weights runs/train/exp4/weights/best.pt
1

测试结果存储在run文件夹下detect目录下的exp中。

至此使用自己的数据集训练yolov5模型结束。

总结

准备数据集：将自己的数据集准备好，包括训练集、验证集和测试集。数据集应该包含图像文件和相应的标注文件（如YOLO格式的标注文件）。如果没有标注文件，可以使用标注工具对图像进行手动标注。

安装依赖库：在训练YoloV5之前，需要安装Python依赖库。可以使用以下命令安装YoloV5所需的依赖库：

pip install -r requirements.txt
1

配置训练参数：在开始训练之前，需要配置训练参数，包括数据集路径、模型参数、超参数等。可以通过修改训练脚本中的参数来进行配置。

开始训练：在配置好训练参数后，可以通过运行以下命令开始训练：

python train.py --data /path/to/data.yaml --cfg /path/to/model.yaml --weights /path/to/weights.pt
1

其中，data.yaml文件是数据集配置文件，model.yaml是模型配置文件，weights.pt是预训练模型的权重文件。训练过程中，模型参数和日志将被保存到runs/train/exp目录下。

测试模型：在训练完成后，可以使用以下命令测试模型效果：

python detect.py --source /path/to/test/images --weights /path/to/best/weights.pt
1

其中，test/images是测试集图像的路径，best/weights.pt是训练过程中表现最好的模型权重文件。检测结果将会被保存到runs/detect/exp目录下。

以上就是使用YoloV5训练自己的数据集的步骤，需要注意的是，在整个训练过程中，还需要进行数据预处理、数据增强、调整学习率等操作，这些都需要在代码中进行配置。