跑跑yolov5吧

跑跑yolov5

如果隻是要快速上手訓練得到訓練結果，我的建議是直接使用b導的代碼。别問為什麼，問就是我是b導小迷弟！！

但是

b導的代碼好像是自己寫的，會存在：下載下傳的權重檔案是pth，最後得到的檔案是pth檔案 的問題 因為我想要用來跑自動标注需要的是pt檔案，其實可能隻是我自己不會轉換hhh

基本上可以分為一下四個步驟：環境配置，資料集制作，yolov5文檔修改以訓練，預測。我主要講資料集制作，yolov5文檔修改。因為踩了比較多的坑hhhh

（1）使用labelimg資料集制作

yolov5不接受xml文檔，但是網上很奇怪的就是大部分部落客都喜歡“曲線救yolov5”（先制作xml，在轉化成txt）

直接改成yolov5支援的yolo格式他不香嘛！！！

我隻有一個類要訓練是以我幹脆就直接開了這些！！！

①Auto SAVE Mode：不開這個每次都得按s儲存，不然就會有彈窗提醒

但是開這個也是有風險的，可能會出現手速過快跳了一張兩張圖檔（不要問我怎麼知道的的）

②Single Class Mode：因為我隻有一個類，使用這個就不用去選

後面我如果還記得的話我就寫一個檢查标簽少标注的腳本吧hhhhh

③Display Label：展示标簽名字

這個的好處是如果不是眼瞎的話，大機率可以避免重複标注！！

（2）yolov5文檔修改

先說一下新建立的檔案夾結構

修改yaml檔案

因為我懶，是以我沒有重新建立yaml檔案，我是直接在data/coco128.yaml檔案夾中修改的

1. 改路徑（檔案路徑，訓練集路徑，val路徑）

   直接pycharm標明檔案夾右鍵copy path–>absolute path,絕對路徑不容易報錯

2. 改nc（标簽數量），name（标簽名字)

修改train檔案

定位到parse_opt，隻講修改的檔案（錯了再說）

1. 改pt （絕對路徑不容易報錯）

parser.add_argument('--weights', type=str, default=ROOT / 'D:/computervision/deep_learning_model/yolov5-6.1/yolov5s.pt', help='initial weights path')

           

1. –data

parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')
           

1. –epochs

   我訓練的資料集比較小，–epochs一定一定要放小，不然容易過拟合

parser.add_argument('--epochs', type=int, default=100)
           

跑yolov5又出了什麼錯

随口提一嘴：真的很讨厭紅色提示和報錯一個shai！！！

（1）錯誤報告1：TensorBoard logging requires TensorBoard version 1.15 or above

實際上我的版本我是超過2.6，估計是另一個依賴包出了問題

1. 先檢查有沒有下載下傳tensorboard

   在環境中輸入下面這條指令，檢查有沒有tensorboard

conda list
           

1. 如果版本已經超過1.15，那就來這個網址下

   或者是直接在指令行下

pip install tb-nightly==2.8.0a20220120
           

到這裡我基本上基本上就ok了

（2）錯誤報告2:AssertionError: No images found in ×××××

這個錯誤就放的有點蠢，我是将标簽的檔案夾放到了“val"後面，然後就就顯示沒有找到圖檔

留個小問題：yolo怎麼得到标簽檔案？

檢查一下yolov5的訓練結果吧

我提前終止了是以我的檔案會比别家的少。

從下往上看：

1. 三張訓練結果圖

2. result.csv

   從左到右第一行依次是①epoch，

   ②train/box_loss，③train/obj_loss，④train/cls_loss，

   ⑤metrics/precision，⑥metrics/recall，⑦metrics/mAP_0.5，⑧metrics/mAP_0.5:0.95，

   ⑨val/box_loss，⑩val/obj_loss， ①①val/cls_loss，

   ①②x/lr0，①③x/lr1，①④x/lr2

   

(1)train：訓練集；val：驗證集

(2) cls_loss用于監督類别分類，box_loss用于監督檢測框的回歸，obj_loss用于監督grid中是否存在物體。(可以看看這個部落客的講的比較細)

(3)！！！！！主要看這個！！！！！

mAP_0.5 : IoU設為0.5時，計算每一類的所有圖檔的AP，然後所有類别求平均，即mAP

mAP_0.5:0.95 : 表示在不同IoU門檻值（從0.5到0.95，步長0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP。

1. opt.yaml

   配置檔案沒啥好說的

   

2. hyp.yaml

   估計是超參數

   

3. 還有就是權重檔案了

看到一篇博文對于train參數講的很好就想記錄一下

（1）“

–image-weights

”

是否啟用權重圖像政策，預設是不開啟的；主要是為了解決樣本不平衡問題；開啟後會對于上一輪訓練效果不好的圖檔，在下一輪中增加一些權重；

(2)“

–label-smoothing

”

是否對标簽進行平滑處理，預設是不啟用的；

在訓練樣本中，我們并不能保證所有sample都标注正确，如果某個樣本标注錯誤，就可能産生負面印象，如果我們有辦法

“告訴”模型，樣本的标簽不一定正确

，那麼訓練出來的模型對于少量的樣本錯誤就會有“免疫力”采用随機化的标簽作為訓練資料時，損失函數有1-ε的機率與上面的式子相同，比如說告訴模型隻有0.95機率是那個标簽。