文章目录

一、项目克隆与环境配置1. 下载源码2. 安装依赖包 二、自定义数据集导入和预训练权重1. 导入自定义数据集2. 获得预训练权重 三、修改配置文件1. data目录中的yaml文件2. model目录中的yaml文件 四、开始训练 train.py1. 必须修改的参数2. 利用tensorbord查看参数3. 训练结果4. 检测训练后的网络5. 自己标定一个新的图片来验证6. 开启摄像头

参考博客：

目标检测—教你利用yolov5训练自己的目标检测模型

YOLOv5跑通VOC数据集

一、项目克隆与环境配置

1. 下载源码

下载yolov5源代码

2. 安装依赖包

Python 3.8 or later with all requirements.txt dependencies installed, including torch>=1.7. To install run:

根据官网的要求，在pycharm的控制台安装依赖文件。

pip install -r requirements.txt

二、自定义数据集导入和预训练权重

【数据集的制作】VOC数据集格式的转换(voc2yolo)与划分

这里我们使用上次制作的VOC数据集。

├── data：如果是训练自己的数据集的话，那么就需要修改其中的yaml文件。但是自己的数据集不建议放在这个路径下面，而是建议把数据集放到yolov5项目的同级目录下面。

1. 导入自定义数据集

根据前面介绍的，我们把数据集放到yolov5项目的同级目录下面。

2. 获得预训练权重

从官网下载预训练权重，我们总不可能从头开始训练我们所有的参数。根据你任务的要求，来选择是使用大模型还是小模型。这里选择了yolov5s.pt

在源代码同级目录下新建weights文件夹，放入我们下载好的yolov5s.pt。

三、修改配置文件

有了预先训练的模型和数据集，就可以开始训练YOLOV5对象检测模型了。这需要修改两个YAML文件中的参数。

一个是data目录中对应的yaml文件，一个是model目录文件中对应的yaml文件。

1. data目录中的yaml文件

修改数据集中的类

复制一份yaml文件，并命名为自己的文件，

train: P:/Project_Python/yolov5-voc/VOCdevkit/VOC/train.txtval: P:/Project_Python/yolov5-voc/VOCdevkit/VOC/val.txttest: P:/Project_Python/yolov5-voc/VOCdevkit/VOC/test.txt# number of classesnc: 20# class namesnames: [ 'aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus','car', 'cat', 'chair', 'cow', 'diningtable', 'dog', 'horse','motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor' ]

2. model目录中的yaml文件

修改模型中的类别数目，voc数据集一共有20个类。

四、开始训练 train.py

1. 必须修改的参数

主要修改下列参数：

parser.add_argument('--weights', type=str, default=ROOT / 'weights/yolov5s.pt', help='initial weights path')parser.add_argument('--cfg', type=str, default=ROOT / 'models/yolov5s_voc.yaml', help='model.yaml path')parser.add_argument('--data', type=str, default=ROOT / 'data/my_VOC.yaml', help='dataset.yaml path')

--weights：初始化的权重文件的路径地址--cfg：模型yaml文件的路径地址--data：数据yaml文件的路径地址

修改我们的训练轮数和喂入批次文件的多少

可以看到，这里我训练了50轮。

parser.add_argument('--epochs', type=int, default=50, help='total training epochs')parser.add_argument('--batch-size', type=int, default=8, help='total batch size for all GPUs, -1 for autobatch')

如果显存不够的话，可以修改下面的缺省值。

parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers')

2. 利用tensorbord查看参数

在pycharm终端输入：

tensorboard --logdir=runs/train

点击网址，即可在线视察我们模型的参数了。

3. 训练结果

训练后生成一个run文件夹，在train中会有网络学习到的参数。

4. 检测训练后的网络

打开detect.py文件，修改下列参数：

parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'weights/yolov5s.pt', help='model path(s)')parser.add_argument('--source', type=str, default=ROOT / 'VOCdevkit/VOC/images/000032.jpg', help='file/dir/URL/glob, 0 for webcam')parser.add_argument('--data', type=str, default=ROOT / 'data/my_VOC.yaml', help='(optional) dataset.yaml path')

修改参数后运行，会在run文件夹中生成一个detect文件夹，里面有我们保存的图片。

5. 自己标定一个新的图片来验证

parser.add_argument('--source', type=str, default=ROOT / 'VOCdevkit/VOC/images/000000.jpg', help='file/dir/URL/glob, 0 for webcam')

输出结果：

6. 开启摄像头

parser.add_argument('--source', type=str, default=ROOT / '0', help='file/dir/URL/glob, 0 for webcam')

感兴趣自己试一下吧。