yolov5 环境pytorch yolov5 python

目录

• 一、下载yolo5
• 二、安装必要依赖
• 三、安装pytorch
• 四、打标图片制作数据集

• 4.1 导入图片
• 4.2 开始打标
• 4.3 添加标签
• 4.4 进行打标
• 4.5 导出打标数据
• 4.6 打标数据

• 五、整理训练数据

• 5.1 第一层目录
• 5.2 第二层目录
• 5.3 第三层目录

• 六、创建配置文件
• 七、训练数据
• 八、验证数据集
• 九、检测图片

一、下载yolo5

首先下载源码：yolo5 github地址

我下载的是最新版本：v6.1。

二、安装必要依赖

进入下载的yolo5源码文件夹中，执行依赖安装：

cd xx/xx/yolov5-master
pip install -r requirements.txt

三、安装pytorch

先进入yolo5源码文件夹中，由于yolo5基于pytorch，如果和我版本一样的yolo5，然后下载大于等于1.7.0版本的，我下载的是1.7.1版本，cpu版本，下载地址：pytorch下载地址

pip install torch==1.7.1+cpu torchvision==0.8.2+cpu torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html

四、打标图片制作数据集

打标图片地址：makesense

4.1 导入图片

可以一次性导入多张图片进行打标。

4.2 开始打标

4.3 添加标签

4.4 进行打标

打标时，记得选择好我们的标签。

4.5 导出打标数据

4.6 打标数据

我们的打标数据将会和图片名一致，且以txt后缀：

文件中的内容为我们的标签类别及坐标：

五、整理训练数据

5.1 第一层目录

我们需要训练的图片将会整合到images文件夹中，我们的打标数据将会整合到labels中：

5.2 第二层目录

images文件夹和labels文件夹下的第二层目录如下：

• test：测试集数据
• train：训练集数据
• val：验证集数据

5.3 第三层目录

第三层目录中，我们放置相应的图片或打标数据，比如在images/train/下面我们放置训练用的图片，labels/train/下面放置打标数据：
C:\MyData\images\train\1.png
C:\MyData\labels\train\1.txt

记住图片和打标数据需要一一对应。

六、创建配置文件

我将自定义的配置文件取名为：my_data.yaml。可以按照自己的喜好取名。

train: C:/MyData/images/train
val: C:/MyData/labels/train

nc: 1 # 类别有几个就填几个

names: ['风力发电'] # 每个类别的名称

test目录是可选的，可用可不用。

七、训练数据

进入我们的yolov5-master目录，运行以下命令：

python train.py --data my_data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt  --epoch 1000 --batch-size 4 --device cpu

如果使用models/yolov5s.yaml，需要把nc: 1 改为我们的训练类别，我这只有一个类别，所以是1。

• –data：我们的配置文件
• –cfg：参数配置文件
• –weights：权重文件
• –epoch：一次完整的向前传播和反向传播，填几就是进行几次
• –batch-size：每一批样本的数量
• –device：训练用的硬件，我这只有cpu，用的cpu，有条件用gpu

训练成功后，会生成我们的训练数据：

其中weights会生成我们的训练权重结果：

• best.pt：拟合最好的
• last.pt：最后拟合的

一般情况下使用拟合最好的权重去使用。

八、验证数据集

使用我们训练好的权重进行数据验证：

python val.py --data my_data.yaml --weights runs/train/exp/weights/best.pt --img 640

九、检测图片

python detect.py --source C:/Users/TT/Downloads/test2.jpg --weights runs/train/exp/weights/best.pt

至此，一整套简单的yolo5使用流程到此结束，很多配置和参数的调整需要进一步深入学习。