YOLOv5系列 1、制作自己的数据集
YOLOv5系列 2、使用yolov5识别自己的数据
前言
之前在上一篇blog中记录了如何制作自己的数据集，这篇主要是使用yolov5跑通并训练自己的数据集，环境是window10，pytorch1.7，cuda10.1。
一、下载yolov5源码
首先，需要从GitHub上下载yolov5的源码文件，下载后直接解压到自己想安装的地方即可。还有这个源码里面没有yolov5的权重文件，权重文件需要单独下载。
二、测试下载模型
解压好源码，并下载好权重文件后，将下载好的权重文件放在解压后的文件夹里：
用pycharm打开yolov5的文件夹，点开detect.py文件，在运行前需要配置参数，其实就是添加权重文件:
--weights yolov5s.pt #看自己下的是什么权重文件，写上相应的文件名即可
然后直接运行，会出现：
这个时候就代表已经预测结束，检测结果保存在runs\detect\exp下面：
这样就代表下载的源码和权重文件是没有问题的，接下来就可以训练自己的数据集了。
三、训练并检测自己的数据集
首先，我是将源码和自己的数据集放在了相同的目录下：
--MaskDataSet
--yolov5源码文件
然后打开train.py文件配置参数：
--data ../MaskDataSet/data.yaml --weights yolov5s.pt --batch-size 8
# --data :表示数据集放的位置，不需要改变
# --weights :表示需要加载的权重文件
# --batch-size:表示一个批次加载几张图片，如果显存小的话，可以适当调低一些
运行train.py，在训练中产生的相关指标，都会储存在runs\train文件夹里面，包括：mAp，混淆矩阵，P-R图，预处理后的输入图像等等。最最最重要的是你训练好的权重文件也在这里，在你的runs\train\exp\weights文件夹下面会有两个文件，如下图所示，顾名思义，一个是训练过程中最好结果的权重，一个是最后一次的权重，简直为你考虑的周周全全。
最后可以使用detect.py，这个文件测试一下训练的效果如何，在这一步的时候，记得要把detect.py的yolov5s.pt换成自己best.pt。博主做的东西属于项目上的，暂时不方便公开，所以就不放最后的检测结果图啦，总体来说是和上面的行人结果图差不多。
总结
- 好多参数如：迭代次数、学习率、置信度、batch_size、使用cpu还是gpu训练等等，都可以在train.py中找到，并进行修改，可以配合自己的数据集特性进行修改。
- 如果后期想部署在其他地方的话，yolov5中的export.py可以帮助把训练生成的.pt文件转换为.onnx文件和.torchscript文件，方便于后期的部署。
- yolov5可能在学术上没有过大过多的改进，但是确实适用于工程中，简直不要太方便。