文章目录

前言
一、主要代码介绍
- 1.data文件夹
- 2.model文件夹
- 3.主要py文件
- 4.新建weights文件夹
二、数据集准备
三、训练与测试
- 1. 训练前准备
- 2. 修改配置文件
- 3. 训练--train.py
- 4. 测试--val.py
- 5. 检测--detect.py
总结

前言

代码地址：https://github.com/ultralytics/yolov5

用yolov5有一段时间了，对这部分代码也比较熟悉一些了，写篇文章记录一下吧~

本文主要是介绍怎么利用官方代码训练与测试自己的数据集，对原理和代码的详细介绍可能少一些，因为已经有很多大牛们介绍过原理方面的知识了。

yolov5主要是有四种模型，分别是yolov5s，yolov5m，yolov5l，yolov5x，就跟我们买衣服的码一样的标号哈哈，网络的宽度深度也是依次递增。

一、主要代码介绍

1.data文件夹

data文件夹里面主要是放我们的图片、标注文件(.xml)和数据说配置文件 — 即指明数据存放位置(.yaml)，当然你也可以自定义一个放数据集的文件，我是自定义了一个mydata文件夹专门放数据集，不然都放data文件夹有点乱。

2.model文件夹

model文件夹里主要放的是四种网络(s, m, l, x)的配置文件(.yaml)；
common.py是每个模块的代码，如果要改进网络结构，添加新的模块可以模仿里面的代码写；
yolo.py是用于查看模型的结构和参数数量的，改一下299行的cfg，如改成下面的就可以查看yolov5x的模型结构和参数数量了。

parser.add_argument('--cfg', type=str, default='yolov5x.yaml', help='model.yaml')

3.主要py文件

train.py用于训练模型
val.py用于测试结果，输出precision, recall, mAP等信息
detect.py用于对图片进行检测

4.新建weights文件夹

需要新建weights文件夹，放预训练的权重文件
下载地址：https://github.com/ultralytics/yolov5/releases

训练yolov5s模型则下载yolov5s.pt权重

二、数据集准备

我是新建了一个mydata文件夹专门存放数据的，.xml文件我是用labelImg进行标注的，网上有很多资料，我这里就默认大家都会用了(偷懒.jpg)，数据集我是按下面方式存放的，当然其它方式也可以，改一下相关路径就行了。

-mydata(主目录)
–annotations(一级子目录)
–img_lab(一级子目录)
—images(二级子目录)
(说明：images文件夹放在img_lab文件夹里面，存放图片，annotations存放标注文件(.xml文件))

另外有两个.py文件用于生成labels和训练、验证、测试的txt说明文件，我放到另一篇文章里了

https://blog.csdn.net/weixin_50113231/article/details/123571036?spm=1001.2014.3001.5502
(训练yolo的数据集准备)

三、训练与测试

1. 训练前准备

首先安装各种库和包，在cmd或者python的终端(Terminal)运行：

pip install -r requirements.txt

注意要切换到yolov5的目录下

2. 修改配置文件

修改data文件夹里面的.yaml文件，可以新建一个也可以直接修改原来有的，我是新建了一个 mydata.yaml 文件：

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ./mydata/img_lab/train.txt
val: ./mydata/img_lab/val.txt
test: ./mydata/img_lab/test.txt
nc: 1  # 修改为自己类别数# class names
names: ['person']

3. 训练–train.py

修改train.py里面的设置，即parse_opt

def parse_opt(known=False):parser = argparse.ArgumentParser()# 修改成模型对应的权重文件parser.add_argument('--weights', type=str, default='weights/yolov5s.pt', help='initial weights path')# 修改成要训练的模型的配置文件parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='model.yaml path')# 上一节里修改的数据配置文件parser.add_argument('--data', type=str, default='data/mydata.yaml', help='dataset.yaml path')# 超参数设置，不需要修改parser.add_argument('--hyp', type=str, default='data/hyps/hyp.scratch.yaml', help='hyperparameters path')# 训练多少代parser.add_argument('--epochs', type=int, default=500)# 每批多少张图片parser.add_argument('--batch-size', type=int, default=64, help='total batch size for all GPUs')parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')parser.add_argument('--rect', action='store_true', help='rectangular training')parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')parser.add_argument('--noval', action='store_true', help='only validate final epoch')# 自动计算锚框，设置成False，则不会自动计算parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')parser.add_argument('--cache', type=str, nargs='?', const='ram', help='--cache images in "ram" (default) or "disk"')parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')# 是否用GPUparser.add_argument('--device', default='0', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')parser.add_argument('--workers', type=int, default=0, help='maximum number of dataloader workers')parser.add_argument('--project', default='runs/train', help='save to project/name')parser.add_argument('--entity', default=None, help='W&B entity')parser.add_argument('--name', default='exp', help='save to project/name')parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')parser.add_argument('--quad', action='store_true', help='quad dataloader')parser.add_argument('--linear-lr', action='store_true', help='linear LR')parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')parser.add_argument('--upload_dataset', action='store_true', help='Upload dataset as W&B artifact table')parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval for W&B')parser.add_argument('--save_period', type=int, default=-1, help='Log model after every "save_period" epoch')parser.add_argument('--artifact_alias', type=str, default="latest", help='version of dataset artifact to be used')parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')parser.add_argument('--freeze', type=int, default=0, help='Number of layers to freeze. backbone=10, all=24')parser.add_argument('--patience', type=int, default=300, help='EarlyStopping patience (epochs without improvement)')opt = parser.parse_known_args()[0] if known else parser.parse_args()return opt

主要是修改 --weights, --cfg, --data, --epochs 和 --batch-size
修改完就可以train啦
train完生成 run/train 文件夹，里面保存有训练好的权重，best.pt 和 last.pt，按我的经验，best.pt的测试效果更好一些，可以都试试。

4. 测试–val.py

这里注意，因为我们的测试文件是放在test.txt里面的，所以在val.py里面需要修改102行、156行、166行，val都改成test：

task='test',  # train, val, test, speed or study

is_coco = isinstance(data.get('test'), str) and data['test'].endswith('coco/val2017.txt')  # COCO dataset

task = task if task in ('train', 'val', 'test') else 'test'  # path to train/val/test images

如果你的测试集是放在val.txt里面就不用修改了
然后改配置：

def parse_opt():parser = argparse.ArgumentParser()# 修改成之前修改的数据配置文件parser.add_argument('--data', type=str, default='data/mydata.yaml', help='dataset.yaml path')# 修改成run/train里面生成的权重文件parser.add_argument('--weights', nargs='+', type=str, default='run/train/exp/last.pt', help='model.pt path(s)')parser.add_argument('--batch-size', type=int, default=32, help='batch size')parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='inference size (pixels)')parser.add_argument('--conf-thres', type=float, default=0.001, help='confidence threshold')parser.add_argument('--iou-thres', type=float, default=0.6, help='NMS IoU threshold')# 因为测试集是在test.txt里面，所以val改成testparser.add_argument('--task', default='test', help='train, val, test, speed or study')parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')parser.add_argument('--single-cls', action='store_true', help='treat as single-class dataset')parser.add_argument('--augment', action='store_true', help='augmented inference')parser.add_argument('--verbose', action='store_true', help='report mAP by class')parser.add_argument('--save-txt', action='store_true', help='save results to *.txt')parser.add_argument('--save-hybrid', action='store_true', help='save label+prediction hybrid results to *.txt')parser.add_argument('--save-conf', action='store_true', help='save confidences in --save-txt labels')parser.add_argument('--save-json', action='store_true', help='save a COCO-JSON results file')parser.add_argument('--project', default=ROOT / 'runs/val', help='save to project/name')parser.add_argument('--name', default='exp', help='save to project/name')parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')parser.add_argument('--half', action='store_true', help='use FP16 half-precision inference')parser.add_argument('--dnn', action='store_true', help='use OpenCV DNN for ONNX inference')

主要是改 --data, --weights, --task这三个，如果你的测试集比较少也可以把 --batch-size 调小一些。

5. 检测–detect.py

修改下面三个就可以了

# 改成训练好的权重文件
parser.add_argument('--weights', nargs='+', type=str, default='run/train/exp/last.pt', help='model path(s)')
#改成要检测的图片路径
parser.add_argument('--source', type=str, default='data/images', help='file/dir/URL/glob, 0 for webcam')
# 改成数据配置文件
parser.add_argument('--data', type=str, default='data/mydata.yaml', help='(optional) dataset.yaml path')

总结

如果是要改进yolov5网络的话，就要修改model文件夹的.yaml文件，希望大家都可以把yolov5网络用懂、看懂~

基本上就是这么多，如果还有什么问题欢迎在下面留言，我看到就会回复哒~

yolov5-pytorch训练自己的数据集-超详细相关推荐

YOLOv5训练自己的数据集(超详细)
目录一.准备深度学习环境二. 准备自己的数据集 1.创建数据集 2.转换数据格式 3.配置文件三.模型训练 1.下载预训练模型 2.训练四.模型测试五.模型推理 YOLOv5训练自己的数 ...
YOLOv7训练自己的数据集(超详细)
目录一.准备深度学习环境二. 准备自己的数据集 1.创建数据集 2.转换数据格式 3.配置文件三.模型训练 1.下载预训练模型 2.训练四.模型测试五.模型推理 YOLOv7训练自己的 ...
YOLOv8训练自己的数据集(超详细)
一.准备深度学习环境本人的笔记本电脑系统是:Windows10 YOLO系列最新版本的YOLOv8已经发布了,详细介绍可以参考我前面写的博客,目前ultralytics已经发布了部分代码以及说明,可 ...
SSD-MobileNetv2之Ubuntu18.04训练VOC格式数据集-超详细
Ubuntu** python3.6 tensorflow1.15.0 TensorFlow Object Detection API下载 https://github.com/tensorflow/ ...
优化改进YOLOv5算法之添加RepVGG模块(超详细)
在前面的文章中已经详细介绍了在本机上安装YOLOv5的教程,安装YOLOv5可参考前面的文章YOLOv5训练自己的数据集(超详细)https://blog.csdn.net/qq_40716944/a ...
Yolov5训练自己的数据集（详细完整版）
最近在网上看到有与本博客一模一样的,连图片都一样. 特此声明:这是原版,转载请附原文链接,谢谢. 这次我将大部分图片添加了水印文章目录一. 环境(不能含有中文路径) 二. 准备工作(文件夹及视频转 ...
YOLOv5训练自己的数据集之详细过程篇
软硬件配置:Ubuntu + Tesla m40 24GB + cuda10.2 + anaconda 一.环境部署 1.源码下载 https://github.com/ultralytics/yol ...
Yolov5-5.0源码分享以及环境配置——Yolov5训练及测试教程(超详细含数据集制作，格式转换，数据集划分)
yolov5-5.0百度网盘连接链接: https://pan.baidu.com/s/1Hd2KKBixuEWRv3jcH6Bcsw 提取码: g6xf 复制这段内容后打开百度网盘手机App,操作 ...
YOLOv8训练自定义数据集(超详细)
借鉴 https://blog.csdn.net/qq_40716944/article/details/128648001 一.准备训练环境安装 requirements.txt 下载:https ...

yolov5-pytorch训练自己的数据集-超详细