yolov5 初识(win版)

上一篇:
深度学习环境配置(deepin20.6)
深度学习环境配置(win11版)

1.clone代码+切换环境+安装依赖

git clone https://github.com/ultralytics/yolov5
cd yolov5
conda activate yolov5_env

修改一下requirements.txt，保存：
![在这里插入图片描述](https://img-blog.csdnimg.cn/105dfb529d4a4d85b5f9fe1aa193d46a.png

安装第三方库：

pip install -r requirements.txt

单独安装torch+torchvision

下载地址两者对应关系一般是torch1.7.0-torchvision0.8.0、torch1.8.0-torchvision0.9.0、torch1.9.0-torchvision0.10.0
例如（cu111表示cuda-11.1，cp38表示python3.8）：
在这里插入图片描述

pip install torch的下载路径
pip install torchvision的下载路径

例如：
在这里插入图片描述

2.跑官方示例：

python detect.py --source ./data/images/bus.jpg

在这里插入图片描述

3.训练：

python train.py --data=coco128.yaml --cfg=yolov5s.yaml --weights='yolov5s.pt' --batch-size=8

官方提供的coco128数据集，执行会自动下载到项目的同级目录下。
在这里插入图片描述

4.标注：

工具labelimg
在这里插入图片描述
下载解压后进入目录，

删除predefined_classes.txt里面原有的类别，并写入自己数据集的类别，一行一类。

手动划分自己数据集（跟官方结构一致，所以在coco128同级目录下）（例如有100张图片，将80张放train里面，20张放val里面）：
（也可以直接标100张，然后代码随机划分。）
在这里插入图片描述

启动labelImg.exe–>file–>Open Dir–>选择train/val。
在这里插入图片描述

标注好后：

# 标签格式说明：
1.一个图一个txt标注文件（如果图中无所要物体，则无需txt文件）；
2.每行一个物体；
3.每行数据格式：类别id、x_center y_center width height；
4.xywh必须归一化（0-1），其中x_center、width除以图片宽度，y_center、height除以画面高度；
5.类别id必须从0开始计数。

展示：
在这里插入图片描述

在这里插入图片描述

5.训练自己标注的数据集

复制一份coco128.yaml，并重命名为mydataset.yaml，然后修改为自己数据集的路径及类别。
在这里插入图片描述
执行：

python train.py --data=mydataset.yaml --cfg=yolov5s.yaml --weights='' --batch-size=8

注意：
在这里插入图片描述

6.测试

注意权重的位置。

python detect.py --weights="./runs/train/exp3/weights/best.pt" --source="E:\workspace\yolo\datasets\mydataset\val\e45f0102e2ef_2021-10-20-10-29-34-377.jpg"

7.评估

python val.py --data="./data/mydataset.yaml"  --weights="./runs/train/exp3/weights/best.pt" --batch-size=8

8.建议

数据方面：

每类图片：建议>=1500张；
每类实例（标注的物体）：建议>=10000个；
图片采样：真实图片建议在一天中不同时间、不同季节、不同天气、不同光照、不同角度、不同来源（爬虫抓取、手动采集、不同相机源）等场景下采集；
标注：
所有图片上所有类别的对应物体都需要标注上，不可以只标注部分；标注尽量闭合物体，边界框与物体无空隙，所有类别对应物体不能缺少标签；
背景图：
背景图用于减少假阳性预测（False Positive），建议提供0~10%样本总量的背景图，背景图无需标注；

模型选择：

模型越大一般预测结果越好，但相应的计算量越大，训练和运行起来都会慢一点，建议：

在移动端（手机、嵌入式）选择：YOLOv5n/s/m
云端（服务器）选择：YOLOv5l/x

训练：

Epochs：初始设定为300，如果很早就过拟合，减少epoch，如果到300还没过拟合，设置更大的数值，如600, 1200等；
图像尺寸：训练时默认为–img=640，如果希望检测出画面中的小目标，可以设为–img=1280（检测时也需要设为–img
=1280才能起到一样的效果）
Batch size：选择你硬件能承受的最大–batch-size；
超参数（Hyperparameters）：初次训练暂时不要改，具体参见https://github.com/ultralytics/yolov5/issues/607
更多：官网建议查看http://karpathy.github.io/2019/04/25/recipe/