0.以前のyolov3トレーニングで言及されていることがいくつかあり、テキストに記載されています。

1.コードをダウンロードします。

2.データセットを準備します。

データ形式はyolov3とまったく同じです。yolov3のデータセットを作成した場合は、直接使用できます。詳細については、https：//blog.csdn.net/gbz3300255/article/details/106276897のセクション3 -------------独自のデータセットをトレーニングする手順を参照してください。

準備するテキストファイルは次の とおりです。train.txttest.txtval.txtlablesテキストファイル

train.txtで、データセットの下に画像の名前を記録します。これと同様に、データセットの画像は/ data / images /ディレクトリに保存されます。

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

test.txt、表面フォーマットと同じ、内容はテストされるグラフのファイル名です

BloodImage_00258.jpg
BloodImage_00320.jpg
BloodImage_00120.jpg

val.txt、顔の形式と同じ、コンテンツは検証セット内の画像のファイル名です

BloodImage_00777.jpg
BloodImage_00951.jpg

ラベルタイプのテキスト。画像内の各画像は、次の形式のラベルに関するテキストに対応し、名前はBloodImage_00091.txtに似ています。

0 0.669 0.5785714285714286 0.032 0.08285714285714285

ラベルのテキストは、上記のコードの/ data / lables /に統合されています

3.構成ファイルを変更します。

3.1データフォルダーに新しいymlファイルを作成し、trafficsigns.yamlと呼びます。内容は以下の通りです。trainのパスは、手順2のtrain.txtのテキストが書き込まれるパスであり、最後の2つは類似しています。ncはカテゴリの数です。私は4つのカテゴリのみをテストし、4つを記述します。名前をカテゴリに変更するだけですが、怠惰な人はそれを変更しませんでした。

# 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モデルのネットワーク構成ファイルを変更します。たとえば、yolov5Iモデルを使用する場合は、yolov5l.yamlを必要なものに変更します。注意を払うべきいくつかの場所があります：

a.ncをカテゴリ番号に変更する必要があります

b。アンカーのサイズは、独自のデータセットのサイズに変更する必要があります。詳細については、 https：//blog.csdn.net/gbz3300255/article/details/106276897を参照して、アンカーの特定の方法を変更してください。コードは準備ができており、クラスタリングされています。

# 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.トレーニング：

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

5.テスト：

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

トーチバージョンが低すぎてcudaのアンプモジュールを使用できないため、まだトレーニングを行っていません。時間があるときにもう一度やりましょう。これで道は終わりです。

[ターゲット検出シリーズ] yolov5は独自のデータセットをトレーニングします（pytorchバージョン）

1.コードをダウンロードします。

2.データセットを準備します。

3.構成ファイルを変更します。

4.トレーニング：

5.テスト：

おすすめ