[Serie de detección de objetivos] yolov5 entrena su propio conjunto de datos (versión de pytorch)

0. Algunas cosas se mencionan en el entrenamiento anterior de yolov3 y se anotarán en el texto:

1. Descarga el código;

https://github.com/ultralytics/yolov5

2. Prepare el conjunto de datos:

        El formato de datos es exactamente el mismo que yolov3. Si ha hecho el conjunto de datos de yolov3, puede usarlo directamente. Para obtener más detalles, consulte https://blog.csdn.net/gbz3300255/article/details/106276897  , Sección 3 ------------- Pasos para entrenar su propio conjunto de datos.

Los archivos de texto a preparar son:  train.txt test.txt val.txt archivo de texto lables

train.txt, registre el nombre de la imagen en el conjunto de datos, similar a esto, la imagen del conjunto de datos se almacena en el directorio / data / images /.

BloodImage_00091.jpg
BloodImage_00156.jpg
BloodImage_00389.jpg
BloodImage_00030.jpg
BloodImage_00124.jpg
BloodImage_00278.jpg
BloodImage_00261.jpg

test.txt, al igual que el formato de superficie, el contenido es el nombre de archivo del gráfico que se va a probar

BloodImage_00258.jpg
BloodImage_00320.jpg
BloodImage_00120.jpg

val.txt, al igual que el formato facial, el contenido es el nombre de archivo de la imagen en el conjunto de verificación

BloodImage_00777.jpg
BloodImage_00951.jpg

Lables tipo texto, cada imagen en imágenes corresponde a un texto sobre etiquetas, en la forma siguiente, y el nombre es similar a BloodImage_00091.txt.

0 0.669 0.5785714285714286 0.032 0.08285714285714285

El texto de lables está unificado en / data / lables / del código anterior

3. Modifique el archivo de configuración:

3.1 Cree un nuevo archivo yml en la carpeta de datos y llámelo trafficsigns.yaml. El contenido es el siguiente. La ruta del tren es la ruta donde se escribe el texto de train.txt en el paso 2, y los dos últimos son similares. nc es el número de categorías, solo pruebo 4 categorías y escribo 4. Simplemente cambie los nombres a su categoría, pero los perezosos no lo cambiaron.

# COCO 2017 dataset http://cocodataset.org
# Train command: python train.py --data coco.yaml
# Default dataset location is next to /yolov5:
#   /parent_folder
#     /coco
#     /yolov5


# download command/URL (optional)
download: bash data/scripts/get_coco.sh

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ../ImageSets/train.txt
val: ../ImageSets/val.txt
test: ../ImageSets/test.txt

# number of classes
nc: 4

# class names
names: ['0', '1', '2', '3']

# Print classes
# with open('data/coco.yaml') as f:
#   d = yaml.load(f, Loader=yaml.FullLoader)  # dict
#   for i, x in enumerate(d['names']):
#     print(i, x)

3.2 Modificar el archivo de configuración de red en modelos. Por ejemplo, si planeo usar el modelo yolov5I, modificaré yolov5l.yaml a lo que necesite. Hay varios lugares a los que prestar atención: 

    a.nc debe cambiarse a su número de categoría

    b) El tamaño de los anclajes debe cambiarse al tamaño de su propio conjunto de datos. Para obtener más detalles,  consulte https://blog.csdn.net/gbz3300255/article/details/106276897 para modificar el método específico de los anclajes. El código está listo, que está agrupado.

# parameters
nc: 4  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple

# anchors
anchors:
  - [12,15, 14,20, 18,25]  # P3/8
  - [24,32, 24,18, 33,44]  # P4/16
  - [39,28, 59,49, 115,72]  # 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, BottleneckCSP, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 9, BottleneckCSP, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, BottleneckCSP, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 1, SPP, [1024, [5, 9, 13]]],
   [-1, 3, BottleneckCSP, [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, BottleneckCSP, [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, BottleneckCSP, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, BottleneckCSP, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, BottleneckCSP, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

4. Entrenamiento:

python train.py --data data/trafficsigns.yaml --cfg models/yolov5I.yaml --weights '' --batch-size 16 --epochs 100

5. Prueba:

python detect.py --weights best.pt --img 320 --conf 0.4

No me he entrenado todavía, porque la versión de la antorcha es demasiado baja para usar el módulo de amplificador de cuda. ​​Hagámoslo de nuevo cuando tenga tiempo, pero eso es todo por el camino.