训练自己的数据集进行总结，方便接下来的学习

目录

1.设置文件夹

2.标记自己的数据集

2.1在百度图片上找到自己想要的图片并批量下载

2.2labelimg软件的使用

3.修改配置文件

3.1AOCAO parameter.yaml

3.2AOCAO model.yaml

4.开始训练

4.1改代码

4.2训练过程

4.3结果

5. 检测图片

5.1改代码

5.2运行代码

5.3查看结果

---

首先附上yolov5源代码
https://pan.baidu.com/s/1qFaLYRWO4uUGtv1XjqedXQ 
提取码：85Z8 
复制这段内容打开「百度网盘APP 即可获取」

参考【Yolov5】1.认真总结6000字Yolov5保姆级教程（2022.06.28全新版本v6.1）_yolov5教程_若oo尘的博客-CSDN博客爆肝6000字Yolov5保姆级教程，80岁老奶奶都看得懂。文章特点：一个完整的流程，从头教到尾，不讲冗长的理论，实操https://blog.csdn.net/m0_53392188/article/details/119334634

YOLOv5权重文件——YOLOV5s、YOLOV5l、YOLOV5x、YOLOV5m免费下载_邸笠佘司的博客-CSDN博客链接：https://pan.baidu.com/s/1eS3QQyZru-_fevw9X1midw?找不到YOLOv5权重文件？github上又下载太慢？其他的都是花钱下载的？https://blog.csdn.net/m0_68738477/article/details/130897633?spm=1001.2014.3001.5501

1.设置文件夹

文件夹按照如下目录创建

 

2.标记自己的数据集

2.1在百度图片上找到自己想要的图片并批量下载

参考博客

Python爬虫系列（二）——Python爬虫批量下载百度图片_爬虫下载图片_纸照片的博客-CSDN博客Python爬虫批量下载百度图片https://blog.csdn.net/cun_king/article/details/120936013?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522168049468216800184176624%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=168049468216800184176624&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-2-120936013-null-null.142%5Ev80%5Econtrol,201%5Ev4%5Eadd_ask,239%5Ev2%5Einsert_chatgpt&utm_term=%E7%88%AC%E8%99%AB%E7%99%BE%E5%BA%A6%E5%9B%BE%E7%89%87&spm=1018.2226.3001.4187

将下载图片放在刚才建立的文件夹datasets——images——train中

将少部分下载图片放在datasets——images——test中（与train中图片不重复）

2.2labelimg软件的使用

参考博客

LabelImg（目标检测标注工具）的安装与使用教程-CSDN博客

将图片标记完后保存到datasets——labels——train中（test测试集同理）

保存的为xml格式，要转化为txt格式（笔记本打开）

转换代码如下

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import joindef convert(size, box):# size=(width, height)  b=(xmin, xmax, ymin, ymax)# x_center = (xmax+xmin)/2        y_center = (ymax+ymin)/2# x = x_center / width            y = y_center / height# w = (xmax-xmin) / width         h = (ymax-ymin) / heightx_center = (box[0] + box[1]) / 2.0y_center = (box[2] + box[3]) / 2.0x = x_center / size[0]y = y_center / size[1]w = (box[1] - box[0]) / size[0]h = (box[3] - box[2]) / size[1]# print(x, y, w, h)return (x, y, w, h)def convert_annotation(xml_files_path, save_txt_files_path, classes):xml_files = os.listdir(xml_files_path)# print(xml_files)for xml_name in xml_files:# print(xml_name)xml_file = os.path.join(xml_files_path, xml_name)out_txt_path = os.path.join(save_txt_files_path, xml_name.split('.')[0] + '.txt')out_txt_f = open(out_txt_path, 'w')tree = ET.parse(xml_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):difficult = obj.find('difficult').textcls = obj.find('name').text# if cls not in classes or int(difficult) == 1:#     continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))# b=(xmin, xmax, ymin, ymax)# print(w, h, b)bb = convert((w, h), b)out_txt_f.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')if __name__ == "__main__":# 把forklift_pallet的voc的xml标签文件转化为yolo的txt标签文件# 1、需要转化的类别classes = ['凹槽']
#classes=['helmet','head_with_helmet','person_with_helmet','head','face','person_no_helmet','person']# 2、voc格式的xml标签文件路径xml_files1 = r'D:\pycharmProject\pythonProject1\AoXingCao\yolov5-5.0\aocao\datasets\labels\test\xml'# xml_files1 = r'C:/Users/GuoQiang/Desktop/数据集/标签1'# 3、转化为yolo格式的txt标签文件存储路径save_txt_files1 = r'D:\pycharmProject\pythonProject1\AoXingCao\yolov5-5.0\aocao\datasets\labels\test\txt'convert_annotation(xml_files1, save_txt_files1, classes)

需要更改的为xml目录以及txt目录

3.修改配置文件

3.1AOCAO parameter.yaml

将yolov5/data/coco128.yaml文件复制到与datasets同等级目录下，命名为Aocao_parameter.yaml

需要修改的是nc和names、path、train，nc为标签名的个数，names为标签的名字（我的标签只有一个是凹槽，所以nc为1）

path 为绝对路径，train和val分别为绝对路径下的路径，（我为了怕错就都写的全部路径）

# COCO 2017 dataset http://cocodataset.org - first 128 training images
# Train command: python train.py --data coco128.yaml
# Default dataset location is next to /yolov5:
#   /parent_folder
#     /coco128
#     /yolov5# download command/URL (optional)
download: https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
path: D:\pycharmProject\pythonProject1\yolo xunlian\AoXingCao\yolov5-5.0\Aocao\datasets
train: D:\pycharmProject\pythonProject1\yolo xunlian\AoXingCao\yolov5-5.0\Aocao\datasets\images\train  # 128 images
val: D:\pycharmProject\pythonProject1\yolo xunlian\AoXingCao\yolov5-5.0\Aocao\datasets\images\test  # 128 images# number of classes
nc: 1# class names
names: [ '凹槽']

3.2AOCAO model.yaml

将yolov5/models/yolov5s.yaml文件复制到与datasets同等级目录下，命名为Aocao model.yaml

需要修改的是nc种类

# parameters
nc: 1  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple# anchors
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # 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, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 9, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 1, SPP, [1024, [5, 9, 13]]],[-1, 3, C3, [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, C3, [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, C3, [256, False]],  # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]],  # cat head P4[-1, 3, C3, [512, False]],  # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]],  # cat head P5[-1, 3, C3, [1024, False]],  # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]

4.开始训练

找到yolov5里面的train.py

4.1改代码

 （--cfg与--data两行代码需要自己补上）

479行：是我们训练的初始权重的位置，是以.pt结尾的文件，第一次训练用别人已经训练出来的权重。可能有朋友会想，自己训练的数据集和别人训练的数据集不一样，怎么能通用呢？实际上他们是通用的，后面训练会调整过来。而如果不填已有权重，那么训练效果可能会不好；

480行：训练模型文件，在本项目中对应wzry_model.yaml；

481行：数据集参数文件，在本项目中对于wzry_parameter.yaml；

482行：超参数设置，是人为设定的参数。包括学习率啥的等等，可不改；

483行：训练轮数，决定了训练时间与训练效果。如果选择训练模型是yolov5x.yaml，那么大约200轮数值就稳定下来了（收敛）；

484行：批量处理文件数，这个要设置地小一些，否则会out of memory。这个决定了我们训练的速度；

485行：图片大小，虽然我们训练集的图片是已经固定下来了，但是传入神经网络时可以resize大小，太大了训练时间会很长，且有可能报错，这个根据自己情况调小一些；

487行：断续训练，如果说在训练过程中意外地中断，那么下一次可以在这里填True，会接着上一次runs/exp继续训练

496行：GPU加速，填0是电脑默认的CUDA，前提是电脑已经安装了CUDA才能GPU加速训练，安装过程可查博客

501行：多线程设置，越大读取数据越快，但是太大了也会报错

4.2训练过程

4.3结果

yolov5-5.0\runs\train\exp7\weights

best.pt和last.pt是我们训练出来的权重文件，比较重要，用于detect.py。last是最后一次的训练结果，best是效果最好的训练结果（只是看起来，但是泛化性不一定强）。

5. 检测图片

找到yolov5里面的detect.py

5.1改代码

217行：填我们训练好的权重文件路径

218行：我们要检测的文件，可以是图片、视频、摄像头。填0时为打开电脑默认摄像头

219行：数据集参数文件，同上

220行：图片大小，同上

221行：置信度，当检测出来的置信度大于该数值时才能显示出被检测到，就是显示出来的框框

222行：非极大抑制，具体不赘述了，自行查阅，可不改

224行：GPU加速，同上

注：\test或\run等会在代码运行时出现报错“OSError: [WinError 123] 文件名、目录名或卷标语法不正确。”，需将\test转化为反斜杠“/”就OK了

5.2运行代码

5.3查看结果

结果在yolov5-5.0\runs\detect\exp20

5.4 如何使用tensorboard

YOLOv5教程——tensorboard的使用_tensorboard yolov5_邸笠佘司的博客-CSDN博客复制当前网址到浏览器，成功进入tensorboard界面。进入到YOLOv5的目录下，输入cmd。_tensorboard yolov5https://blog.csdn.net/m0_68738477/article/details/130881936?spm=1001.2014.3001.5501tensorboard使用教学——如何保存YOLOv5训练后的折线图_tensorboard yolov5_邸笠佘司的博客-CSDN博客YOLOv5训练后，使用可视化工具tensorboard进一步查看数据，如何保存这些损失函数、map值的折线图呢？_tensorboard yolov5https://blog.csdn.net/m0_68738477/article/details/130904401?spm=1001.2014.3001.5501