YOLOV5对自己的数据集进行训练 从数据集建立到训练

前言

emm，这一次之所以选择消防栓进行YOLO识别训练，是因为前段时间在Google进行人机验证，识别认证消防栓，斑马线……艰辛的三分钟后，被认定为机器，拒绝登入（泪奔泪奔）
所以这一次找了些Google的验证照片进行验证，用科技打败科技！

废话就不多说了，这一次项目包括：
Python爬虫爬取图片 -> 图片标定 -> 标准 YOLO数据集建立 -> YOLO的准备工程 -> YOLOV5训练配置文件 -> 训练 -> 得出结果

本文主要包括后三个模块，也就是说本文为第二部分
第一部分，即前三个模块在 ——>——>传送门

YOLO的准备工程

全部的准备工作参考我的这一篇博客 ——>传送门
用pycharm打开YOLOV5的工程
可以调用电脑的摄像头，在Pycharm下方的命令框输入

python detect.py --source 0

就可以使用YOLO进行视频识别啦，效果如下


很nice！很巴适！

YOLOV5训练配置文件

这里就需要前文建立的数据集啦，如果不想建立的话也可以下载我建立的数据集——https://download.csdn.net/download/weixin_51717597/85001283

数据搬运

将message文件（就是之前储存标定数据的文件）下的所有文件copy到YOLO工程中data文件夹内

coco.yaml文件配置

将data文件下coco.yaml文件复制重命名，这里我命名为fire.yaml，内部内容中，将train、val和test分别修改为数据集生成的.txt文件，可以在ImageSets中找到，nc为识别物品的数量，因为我只识别消防栓，所以为1，names对应识别物品的名字，其余不需要修改

修改model模型

在root/models下找一个你想用的模型，这里我选择的是yolov5s.yaml
将nc 后的值修改为训练数量即可

train.py修改

（1）将‘–weights’后的yolov5s.pt修改为自己选择的模型，譬如选择yolov5m.yaml模型就改为yolov5m.pt
（2）将‘–cfg’后改为自己选择的模型，如图
（3）将‘–data’后改为之前配置好的训练文件，如我的fire.yaml
（4）‘–spochs’后的数字为训练迭代数字，数字越大，迭代时间越长，因为我是轻薄本，用CPU跑的，150次迭代足足跑了一晚上！

训练

安装wandb

具体命令如下

pip install wandb

wandb login

之后会弹出一个网址，点进网址进行注册，会出现产品密匙，将产品密匙输入即可

运行train.py

……运行train.py，很遗憾，我没有遇到报错（哈哈哈）
之后就开始了慢慢训练路了，强烈建议GPU跑，CPU太慢了
效果图

查看结果

训练结果可以在runs/train/exp中查看，会有很多效果图和一堆高大上的数据

训练后数据集使用

建立一个文件夹储存测试照片，然后打开detect.py文件夹
修改如下：
（1）‘–weight’里面修改为刚刚runs/train/exp/weights中的best.pt文件
（2）‘–source’里面修改为储存测试照片的文件夹，这里我储存到了data下面的Samples中

之后运行这个.py文件
运行结果可以在runs/detect中查看，效果图：