YOLOV5測試及訓練自己的資料集

YOLOV5項目複現

• • 一、YOLOv5 實作檢測
  • • 1.1 下載下傳源碼
    • 1.2 下載下傳官方模型(.pt檔案)
    • 1.3 配置虛拟環境
    • 1.4 進行測試
  • 二、YOLOV5 實作訓練
  • • 2.1 首先是準備資料集
    • 2.2 檔案修改
    • • 2.2.1 修改資料集方面的yaml檔案
      • 2.2.2 修改網絡參數方面的yaml檔案
      • 2.2.3 修改train.py中的一些參數
    • 2.3開始訓練
    • 2.4 ？
  • 三、個人對于yolov5的看法

首先說一下軟硬體配置這一塊：win10 + i7-9700kf + rtx2070Super + cuda10.2 + anaconda

一、YOLOv5 實作檢測

1.1 下載下傳源碼

進入官方位址，進行源碼下載下傳   https://github.com/ultralytics/yolov5[大概4M左右]

1.2 下載下傳官方模型(.pt檔案)

文中作者是把模型都放到了谷歌網盤裡了，如果沒有梯子，通路會很慢–>>作者給的模型位址

如果你實在是下載下傳不下來，并且如果你也還有積分的話–>>CSDN下載下傳模型【可憐可憐孩子吧】

再如果你沒有積分，好吧，好吧，那就，那就，那就留郵箱吧，但别忘了給卑微的我點個贊呦、、、額額額額

2020.10.21更： 想要模型檔案的直接私信我，我一開始設定的5積分，但是積分自己漲的太多了，花那麼多積分下載下傳不值當

2021.04.03更：yolov5官方pt模型檔案→【點我，我是模型位址】如果連結失效，請及時評論區給我回報，我及時更新

1.3 配置虛拟環境

虛拟環境的優點不再闡述

建立虛拟環境：conda create -n yolov5 python==3.7，在yolov5中盡量用python3.7。

進  入  環  境 ：conda activate yolov5

再安裝所需庫：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt(使用清華鏡像源)

在pip install的時候，可能會出現read timeout的情況，你需要更換鏡像源，或者多執行幾次pip install，如果還有其他報錯，請留言評論區，我會及時回複，因為我在安裝的時候也報了一些錯，但是都沒有記錄下來

1.4 進行測試

進入到yolov5根目錄下，我這裡是用的powershell，你也可以在控制台，都是一樣的。

運作測試檔案:   python detect.py --source 0 【0:是指定的本機攝像頭】PS:我特麼的竟然一次運作成功，多少是挺失望

↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓雷霆嘎巴↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓

↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓ZBC↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓

二、YOLOV5 實作訓練

2.1 首先是準備資料集

★    資料集的準備工作，我以前的部落格有細寫過，—>>傳送門

★    資料集準備好後，一定先確定label和JPEGImages這兩個檔案夾在同一目錄裡

2.2 檔案修改

2.2.1 修改資料集方面的yaml檔案

作者是把以前用的.data、.names檔案合并到了data/coco.yaml中，打開coco.yaml進行修改

# COCO 2017 dataset http://cocodataset.org
# Download command: bash yolov5/data/get_coco2017.sh
# Train command: python train.py --data ./data/coco.yaml
# Dataset should be placed next to yolov5 folder:
#   /parent_folder
#     /coco
#     /yolov5


# 這些是生成的圖檔的路徑檔案，這裡是我自己的路徑，需要修改成你自己的路徑，絕對路徑也ok
train: ../coco/2007_train.txt  # 118k images
val: ../coco/2007_val.txt  # 5k images
test: ../coco/2007_test.txt  # 20k images for submission to https://competitions.codalab.org/competitions/20794

# 你資料集的類别數
nc: 1

# 類别的名稱
names: ['cell phone']

# Print classes
# with open('data/coco.yaml') as f:
#   d = yaml.load(f, Loader=yaml.FullLoader)  # dict
#   for i, x in enumerate(d['names']):
#     print(i, x)
           

2.2.2 修改網絡參數方面的yaml檔案

這個相當于以前版本的.cfg檔案，在models/yolov3-spp.yaml【當然，你想用哪個模型就去修改對應的yaml檔案】

# parameters
nc: 1  # 資料集類别數
depth_multiple: 1.0  # expand model depth
width_multiple: 1.0  # expand layer channels

# anchors【你也可以使用k-means去産出你自己資料集的anchors】
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# darknet53 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [32, 3, 1]],  # 0
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2
   [-1, 1, Bottleneck, [64]],
   [-1, 1, Conv, [128, 3, 2]],  # 3-P2/4
   [-1, 2, Bottleneck, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 5-P3/8
   [-1, 8, Bottleneck, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 7-P4/16
   [-1, 8, Bottleneck, [512]],
   [-1, 1, Conv, [1024, 3, 2]], # 9-P5/32
   [-1, 4, Bottleneck, [1024]],  # 10
  ]

# yolov3-spp head
# na = len(anchors[0])
head:
  [[-1, 1, Bottleneck, [1024, False]],  # 11
   [-1, 1, SPP, [512, [5, 9, 13]]],
   [-1, 1, Conv, [1024, 3, 1]],
   [-1, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [1024, 3, 1]],
   [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]],  # 16 (P5/32-large)

   [-3, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 8], 1, Concat, [1]],  # cat backbone P4
   [-1, 1, Bottleneck, [512, False]],
   [-1, 1, Bottleneck, [512, False]],
   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [512, 3, 1]],
   [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]],  # 24 (P4/16-medium)

   [-3, 1, Conv, [128, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P3
   [-1, 1, Bottleneck, [256, False]],
   [-1, 2, Bottleneck, [256, False]],
   [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]],  # 30 (P3/8-small)

   [[], 1, Detect, [nc, anchors]],   # Detect(P3, P4, P5)
  ]

           

2.2.3 修改train.py中的一些參數

train.py在根目錄裡，修改一些主要的參數，奧利給

parser.add_argument('--epochs', type=int, default=200)  # 訓練的epoch
parser.add_argument('--batch-size', type=int, default=16)  # batch_size 顯示卡垃圾的話，就調小點
parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='*.cfg path')
parser.add_argument('--data', type=str, default='data/coco.yaml', help='*.data path')
parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='train,test sizes')
           

2.3開始訓練

直接 python train.py 就Ok了

成功訓練如圖所示

↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓無情哈拉少↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓

2.4 ？

都已經在訓練了，你接下來還有最重要的一步，就是看個日本特産電影啥的，或者是吃個瓜啥的，拉個屎啥的，反正我是去拉屎了🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵🐵

等它訓練完就沒問題了，但是還是要時不時看一眼，具體看什麼，我也不知道呀，反正是看就完事兒了🐷🐷🐷🐷🐷🐷🐷🐷🐷🐷🐷🐷🐷🐷🐷🐷

都訓練完了，測試的話，就不用再說的吧，阿sir，

三、個人對于yolov5的看法

先說一個情況吧，我在複現yolov4時，使用1080p的攝像頭進行測試的時候，檢測的幀率隻有1.7fps（在我的rtx2070s顯示卡上），不管我如何調整cfg檔案裡的寬高，基本都無濟于事，然後我用480p的攝像頭才可以達到20fps，不要搞我啊，阿sir,現在攝像頭基本都是在1080p檢測的啊，480p怎麼能滿足！！！！！我不知道為什麼圖像在相同的cfg參數下，分辨率對檢測速度影響會這麼大。但是，啊，但是，我在用yolov5的時候，用1080P就可以達到實時，最主要的是yolov5的模型非常小，比yolo的前幾個系列小了大概4倍，非常适合做嵌入。對于yolov5，雖然是作者自封的，但是非常達到我心裡的預期！！！，不吹不黑，yolov5是我遇到最牛啤的目标檢測算法，你說呢，你是不是也這麼感覺的呢