训练自己的数据集进行总结，方便接下来的学习
目录
首先附上yolov5源代码
https://pan.baidu.com/s/1qFaLYRWO4uUGtv1XjqedXQ
提取码：85Z8
复制这段内容打开「百度网盘APP 即可获取」
参考【Yolov5】1.认真总结6000字Yolov5保姆级教程（2022.06.28全新版本v6.1）_yolov5教程_若oo尘的博客-CSDN博客
1.设置文件夹
文件夹按照如下目录创建
2.标记自己的数据集
2.1在百度图片上找到自己想要的图片并批量下载
参考博客
Python爬虫系列（二）——Python爬虫批量下载百度图片_爬虫下载图片_纸照片的博客-CSDN博客
将下载图片放在刚才建立的文件夹datasets——images——train中
将少部分下载图片放在datasets——images——test中（与train中图片不重复）
2.2labelimg软件的使用
参考博客
LabelImg（目标检测标注工具）的安装与使用教程-CSDN博客
将图片标记完后保存到datasets——labels——train中（test测试集同理）
保存的为xml格式，要转化为txt格式（笔记本打开）
转换代码如下
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
def convert(size, box):
# size=(width, height) b=(xmin, xmax, ymin, ymax)
# x_center = (xmax+xmin)/2 y_center = (ymax+ymin)/2
# x = x_center / width y = y_center / height
# w = (xmax-xmin) / width h = (ymax-ymin) / height
x_center = (box[0] + box[1]) / 2.0
y_center = (box[2] + box[3]) / 2.0
x = x_center / size[0]
y = y_center / size[1]
w = (box[1] - box[0]) / size[0]
h = (box[3] - box[2]) / size[1]
# print(x, y, w, h)
return (x, y, w, h)
def convert_annotation(xml_files_path, save_txt_files_path, classes):
xml_files = os.listdir(xml_files_path)
# print(xml_files)
for xml_name in xml_files:
# print(xml_name)
xml_file = os.path.join(xml_files_path, xml_name)
out_txt_path = os.path.join(save_txt_files_path, xml_name.split('.')[0] + '.txt')
out_txt_f = open(out_txt_path, 'w')
tree = ET.parse(xml_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
# if cls not in classes or int(difficult) == 1:
# continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
# b=(xmin, xmax, ymin, ymax)
# print(w, h, b)
bb = convert((w, h), b)
out_txt_f.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
if __name__ == "__main__":
# 把forklift_pallet的voc的xml标签文件转化为yolo的txt标签文件
# 1、需要转化的类别
classes = ['凹槽']
#classes=['helmet','head_with_helmet','person_with_helmet','head','face','person_no_helmet','person']
# 2、voc格式的xml标签文件路径
xml_files1 = r'D:\pycharmProject\pythonProject1\AoXingCao\yolov5-5.0\aocao\datasets\labels\test\xml'
# xml_files1 = r'C:/Users/GuoQiang/Desktop/数据集/标签1'
# 3、转化为yolo格式的txt标签文件存储路径
save_txt_files1 = r'D:\pycharmProject\pythonProject1\AoXingCao\yolov5-5.0\aocao\datasets\labels\test\txt'
convert_annotation(xml_files1, save_txt_files1, classes)需要更改的为xml目录以及txt目录3.修改配置文件
3.1AOCAO parameter.yaml
将yolov5/data/coco128.yaml文件复制到与datasets同等级目录下，命名为Aocao_parameter.yaml
需要修改的是nc和names、path、train，nc为标签名的个数，names为标签的名字（我的标签只有一个是凹槽，所以nc为1）
path 为绝对路径，train和val分别为绝对路径下的路径，（我为了怕错就都写的全部路径）
# COCO 2017 dataset http://cocodataset.org - first 128 training images
# Train command: python train.py --data coco128.yaml
# Default dataset location is next to /yolov5:
# /parent_folder
# /coco128
# /yolov5
# download command/URL (optional)
download: https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip
# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
path: D:\pycharmProject\pythonProject1\yolo xunlian\AoXingCao\yolov5-5.0\Aocao\datasets
train: D:\pycharmProject\pythonProject1\yolo xunlian\AoXingCao\yolov5-5.0\Aocao\datasets\images\train # 128 images
val: D:\pycharmProject\pythonProject1\yolo xunlian\AoXingCao\yolov5-5.0\Aocao\datasets\images\test # 128 images
# number of classes
nc: 1
# class names
names: [ '凹槽']
3.2AOCAO model.yaml
将yolov5/models/yolov5s.yaml文件复制到与datasets同等级目录下，命名为Aocao model.yaml
需要修改的是nc种类
# parameters
nc: 1 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
# 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
# YOLOv5 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Focus, [64, 3]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 9, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 1, SPP, [1024, [5, 9, 13]]],
[-1, 3, C3, [1024, False]], # 9
]
# YOLOv5 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, C3, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3, [1024, False]], # 23 (P5/32-large)
[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
4.开始训练
找到yolov5里面的train.py
4.1改代码
（--cfg与--data两行代码需要自己补上）
479行：是我们训练的初始权重的位置，是以.pt结尾的文件，第一次训练用别人已经训练出来的权重。可能有朋友会想，自己训练的数据集和别人训练的数据集不一样，怎么能通用呢？实际上他们是通用的，后面训练会调整过来。而如果不填已有权重，那么训练效果可能会不好；
480行：训练模型文件，在本项目中对应wzry_model.yaml；
481行：数据集参数文件，在本项目中对于wzry_parameter.yaml；
482行：超参数设置，是人为设定的参数。包括学习率啥的等等，可不改；
483行：训练轮数，决定了训练时间与训练效果。如果选择训练模型是yolov5x.yaml，那么大约200轮数值就稳定下来了（收敛）；
484行：批量处理文件数，这个要设置地小一些，否则会out of memory。这个决定了我们训练的速度；
485行：图片大小，虽然我们训练集的图片是已经固定下来了，但是传入神经网络时可以resize大小，太大了训练时间会很长，且有可能报错，这个根据自己情况调小一些；
487行：断续训练，如果说在训练过程中意外地中断，那么下一次可以在这里填True，会接着上一次runs/exp继续训练
496行：GPU加速，填0是电脑默认的CUDA，前提是电脑已经安装了CUDA才能GPU加速训练，安装过程可查博客
501行：多线程设置，越大读取数据越快，但是太大了也会报错
4.2训练过程
4.3结果
yolov5-5.0\runs\train\exp7\weights
best.pt和last.pt是我们训练出来的权重文件，比较重要，用于detect.py。last是最后一次的训练结果，best是效果最好的训练结果（只是看起来，但是泛化性不一定强）。
5. 检测图片
找到yolov5里面的detect.py
5.1改代码
217行：填我们训练好的权重文件路径
218行：我们要检测的文件，可以是图片、视频、摄像头。填0时为打开电脑默认摄像头
219行：数据集参数文件，同上
220行：图片大小，同上
221行：置信度，当检测出来的置信度大于该数值时才能显示出被检测到，就是显示出来的框框
222行：非极大抑制，具体不赘述了，自行查阅，可不改
224行：GPU加速，同上
注：\test或\run等会在代码运行时出现报错“OSError: [WinError 123] 文件名、目录名或卷标语法不正确。”，需将\test转化为反斜杠“/”就OK了
5.2运行代码
5.3查看结果
结果在yolov5-5.0\runs\detect\exp20
