训练属于自己的Yolov5模型，从打标签到训练全过程_标签训练

yolov5模型结构：

1、下载yolov5

下载链接：https://github.com/ultralytics/yolov5
目录结构如下：

卷 OS 的文件夹 PATH 列表
卷序列号为 0000001E 1A52:341F
C:\USERS\User\DOWNLOADS\YOLOV5-MASTER
│  .dockerignore
│  .gitattributes
│  .gitignore
│  .pre-commit-config.yaml
│  CONTRIBUTING.md
│  detect.py
│  Dockerfile
│  export.py
│  hubconf.py
│  LICENSE
│  README.md
│  requirements.txt
│  setup.cfg
│  train.py
│  tutorial.ipynb
│  val.py
│  
├─.github
│  │  dependabot.yml
│  │  FUNDING.yml
│  │  
│  ├─ISSUE_TEMPLATE
│  │      bug-report.yml
│  │      config.yml
│  │      feature-request.yml
│  │      question.yml
│  │      
│  └─workflows
│          ci-testing.yml
│          codeql-analysis.yml
│          greetings.yml
│          rebase.yml
│          stale.yml
│          
├─data
│  │  Argoverse.yaml
│  │  coco.yaml
│  │  coco128.yaml
│  │  GlobalWheat2020.yaml
│  │  Objects365.yaml
│  │  SKU-110K.yaml
│  │  VisDrone.yaml
│  │  VOC.yaml
│  │  xView.yaml
│  │  
│  ├─hyps
│  │      hyp.finetune.yaml
│  │      hyp.finetune_objects365.yaml
│  │      hyp.scratch-high.yaml
│  │      hyp.scratch-low.yaml
│  │      hyp.scratch-med.yaml
│  │      hyp.scratch.yaml
│  │      
│  ├─images
│  │      bus.jpg
│  │      zidane.jpg
│  │      
│  └─scripts
│          download_weights.sh
│          get_coco.sh
│          get_coco128.sh
│          
├─models
│  │  common.py
│  │  experimental.py
│  │  tf.py
│  │  yolo.py
│  │  yolov5l.yaml
│  │  yolov5m.yaml
│  │  yolov5n.yaml
│  │  yolov5s.yaml
│  │  yolov5x.yaml
│  │  __init__.py
│  │  
│  └─hub
│          anchors.yaml
│          yolov3-spp.yaml
│          yolov3-tiny.yaml
│          yolov3.yaml
│          yolov5-bifpn.yaml
│          yolov5-fpn.yaml
│          yolov5-p2.yaml
│          yolov5-p34.yaml
│          yolov5-p6.yaml
│          yolov5-p7.yaml
│          yolov5-panet.yaml
│          yolov5l6.yaml
│          yolov5m6.yaml
│          yolov5n6.yaml
│          yolov5s-ghost.yaml
│          yolov5s-transformer.yaml
│          yolov5s6.yaml
│          yolov5x6.yaml
│          
└─utils
    │  activations.py
    │  augmentations.py
    │  autoanchor.py
    │  autobatch.py
    │  benchmarks.py
    │  callbacks.py
    │  datasets.py
    │  downloads.py
    │  general.py
    │  loss.py
    │  metrics.py
    │  plots.py
    │  torch_utils.py
    │  __init__.py
    │  
    ├─aws
    │      mime.sh
    │      resume.py
    │      userdata.sh
    │      __init__.py
    │      
    ├─flask_rest_api
    │      example_request.py
    │      README.md
    │      restapi.py
    │      
    ├─google_app_engine
    │      additional_requirements.txt
    │      app.yaml
    │      Dockerfile
    │      
    └─loggers
        │  __init__.py
        │  
        └─wandb
                log_dataset.py
                README.md
                sweep.py
                sweep.yaml
                wandb_utils.py
                __init__.py
                

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
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141

2、安装所需依赖包

这里直接使用pip进行安装，所需依赖包都在./requirement.txt中，只需在cmd中进入当前目录，运行下面代码即可自动安装

pip install requirement.txt
1

3、测试环境是否能运行

3.1 下载预训练好的模型

https://github.com/ultralytics/yolov5/releases，可根据自己的电脑配置和需求，选择对应模型，后缀名为.pt，不同版本的速度和精度会有所不同。下载完后可在yolov5-master目录下新建一个目录weights用于保存模型。

3.2 运行detect.py

在cmd中运行./detect.py，用默认提供的图片进行识别，默认图片保存在./data/images，输入以下命令即可。（还有更多参数可见附录）

python detect.py --weights yolov5s6.pt --source ./data/images/bus.jpg
1

运行成果后会在./runs/detect/exp1目录下生成检测结果图片

4、训练自己的数据集

4.1 搜集数据并进行标注

在这里我将教会模型识别人参的性状，首先我上网爬取了149张人参的图片并使用labelImg
进行标注（可自行上网查找并安装）。在这里我将图片保存在./data/images/renshen/images目录下，将标签存放在./data/images/renshen/labels目录下。
标注前图片：

标注后图片：

labelImg标注软件可将所标注区域的矩阵保存为yolo模型认识的标签。

4.2 划分数据集

打完标签以后，可运用脚本或者手动将数据集分为训练集、验证集、测试集，由于数据量少，我在这里只分了训练集和测试集，文件目录树如下

├─train
│  ├─images
│  └─labels
└─valid
    ├─images
    └─labels
1
2
3
4
5
6

4.3 训练前配置

自行建立一个配置文件，在这里我命名为renshen.yaml，输入以下内容

path: ./data/images/renshen  # dataset root dir
train: train/images  # train images (relative to 'path') 
val: valid/images  # train images (relative to 'path') 
#test: test-dev2017.txt  

nc: 1    #有几类就写几
names: ["人参"]   #此处为具体类别，如果是中文，则需要修改一些编码，此处忽略。
1
2
3
4
5
6
7

4.4 进行训练

输入以下代码并运行

python train.py --img 640 --batch 16 --epochs 5 --data ./data/data.yaml --cfg ./models/yolov5s.yaml --weights ./weights/yolov5s6.pt

# epochs 训练次数
# img  输入图片大小
# data 模型配置
# cfg 训练数据配置
# ... 更多参数见附录
1
2
3
4
5
6
7

如果出现以下错误，参考文章https://blog.csdn.net/weixin_51697369/article/details/120101292解决：

OSError: [WinError 1455] 页面文件太小,无法完成操作。 Error loading "D:\....
1

模型训练完成后会在./runs./train./exp1目录下生成训练结果，在这里我使用了tensorboard进行了可视化展示，训练完成的模型会保存在./runs./train./exp1/weights文件夹下。

4.5 测试模型

训练完成后，我随意找了一张模型没有见过的图片进行探测，这里依然用官方提供的detect.py脚本进行测试，输入以下代码

python detect.py --weights ./runs/train/exp3/weights/best.pt --source ./data/images/renshen/images/000298.jpg
1

检测结果如下，由于使用了中文，可能遇到了编码问题，暂时还未解决。