零基础入门YOLOv5——从制作数据集到最终训练与测试

零基础入门YOLOv5——从制作数据集到最终训练与测试

 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加

例如：第一章 Python 机器学习入门之pandas的使用

提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

前言

学习YOLOv5已经有两个月的时间了，这段时间走了不少的弯路，也看了很多文章，今天来简单整理一下，也算是帮助小白快速入门一下。因为我的学习时间也不长，所以如有错误请在评论区指出，大家多多包涵

提示：以下是本篇文章正文内容，下面案例可供参考

一、什么是YOLOv5

在开始之前，先简单介绍一下什么是YOLOv5。YOLOv5是一个one stage目标检测算法，相对于two stage，其检测速度快、易上手、且精度不低。因此是目前最流行的目标检测算法。

二、如何制作数据集

制作数据集的方法有很多种，这里推荐一个最简单的线上数据集制作工具——Make Sense。
网址为：https://www.makesense.ai/
进入网站后，是这样一个界面：

点击中间的小盒子，即可加入你的数据集图片。
添加图片后，即可选择你要制作的数据集类型。左边的是用于目标检测的数据集，右边是用于图像分类的数据集，我们选择左边的目标检测，即可进入下面这样一个界面

在开始下一步之前，我们需要先创建一个.txt文件，用于存放我们的label。这里我只传入一张飞机的图片，所以只有一个类别。大家可以根据自己的需要写入自己的label

建立完.txt文件后，点击load label from file，然后点击中间的小盒子，插入自己的.txt文件，再点击creat labels list即可创建label


这样做是为了能够高效的创建多个label，当然，如果label较少，也可以直接在界面创建，这里就不详细赘述了。
完成后，点击Start project，就可以开始创建自己的数据集了。
进入绘制界面，选中要检测的对象，在右侧找到对应的标签，就可以完成图片的标定
点击左上角的Actions，选择第四个选项，就可以将创建好的数据集下载下来（注意，这里要选择第一个YOLO格式的数据集文件）



截止到这里，数据集的创建就正式完成了。

二、将数据集导入YOLOv5

在训练之前，我们要先将数据集保存到YOLOv5的文件夹中。具体做法为：
1.创建一个文件夹，这里博主取名为airdata，大家可以自己取名
2.在文件夹里建立两个新文件夹，依次取名为images和labels
3.依次在images和labels文件夹中创建train、test文件夹


4.将训练集和测试集的图片依次导入images文件中的train和test，将训练集和数据集的标签依次导入labels文件夹中的train和test，这里注意顺序不能错，即训练集中的第一张图片一定要对应训练集中的第一个标签。
在完成这一步后，即可打开YOLOv5进行训练了

使用YOLOv5进行训练

因为YOLOv5已经封装好了，所以我们只需要创建几个新的文件，然后调节几个参数就可以了。
首先找到train文件，找到其中的代码块：def parse_opt(known=False):

defparse_opt(known=False):
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights',type=str, default='yolov5s.pt',help='initial weights path')
    parser.add_argument('--cfg',type=str, default='models/hub/yolov5_iron_s.yaml',help='model.yaml path')
    parser.add_argument('--data',type=str, default=ROOT /'data/mydatatest.yaml',help='dataset.yaml path')
    parser.add_argument('--hyp',type=str, default=ROOT /'data/hyps/hyp.scratch-low.yaml',help='hyperparameters path')
    parser.add_argument('--epochs',type=int, default=100)
    parser.add_argument('--batch-size',type=int, default=4,help='total batch size for all GPUs, -1 for autobatch')
    parser.add_argument('--imgsz','--img','--img-size',type=int, default=640,help='train, val image size (pixels)')
    parser.add_argument('--rect', action='store_true',help='rectangular training')
    parser.add_argument('--resume', nargs='?', const=True, default=False,help='resume most recent training')
    parser.add_argument('--nosave', action='store_true',help='only save final checkpoint')
    parser.add_argument('--noval', action='store_true',help='only validate final epoch')
    parser.add_argument('--noautoanchor', action='store_true',help='disable AutoAnchor')
    parser.add_argument('--evolve',type=int, nargs='?', const=300,help='evolve hyperparameters for x generations')
    parser.add_argument('--bucket',type=str, default='',help='gsutil bucket')
    parser.add_argument('--cache',type=str, nargs='?', const='ram',help='--cache images in "ram" (default) or "disk"')
    parser.add_argument('--image-weights', action='store_true',help='use weighted image selection for training')
    parser.add_argument('--device', default='0',help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--multi-scale', action='store_true',help='vary img-size +/- 50%%')
    parser.add_argument('--single-cls', action='store_true',help='train multi-class data as single-class')
    parser.add_argument('--optimizer',type=str, choices=['SGD','Adam','AdamW'], default='SGD',help='optimizer')
    parser.add_argument('--sync-bn', action='store_true',help='use SyncBatchNorm, only available in DDP mode')
    parser.add_argument('--workers',type=int, default=0,help='max dataloader workers (per RANK in DDP mode)')
    parser.add_argument('--project', default=ROOT /'runs/train',help='save to project/name')
    parser.add_argument('--name', default='exp',help='save to project/name')
    parser.add_argument('--exist-ok', action='store_true',help='existing project/name ok, do not increment')
    parser.add_argument('--quad', action='store_true',help='quad dataloader')
    parser.add_argument('--cos-lr', action='store_true',help='cosine LR scheduler')
    parser.add_argument('--label-smoothing',type=float, default=0.0,help='Label smoothing epsilon')
    parser.add_argument('--patience',type=int, default=100,help='EarlyStopping patience (epochs without improvement)')
    parser.add_argument('--freeze', nargs='+',type=int, default=[0],help='Freeze layers: backbone=10, first3=0 1 2')
    parser.add_argument('--save-period',type=int, default=-1,help='Save checkpoint every x epochs (disabled if < 1)')
    parser.add_argument('--local_rank',type=int, default=-1,help='DDP parameter, do not modify')

我们主要是对weights、cfg和data这三个参数进行修改。其中，weights为初始的权重，可以在GitHub自行下载，这里博主用的是最小的s文件，这个模型所占空间小，但精度相对较低。
接着，我们找到model中的yaml文件，选择其中一个文件进行复制，这里博主依然选择的是最小的yolov5s

复制一份后，重新命名，因为我之前做的是锻钢瑕疵检测，所以命名为yolov5s_iron。双击打开文件，将这里的nc改为自己的类别数量（如果你的数据集一共有6个类别，那么这里的nc对应的就是6）

完成这一步后，找到data文件，找到其中的coco128.yaml，依然是复制一份，重新命名

这里我命名的是mydatatest,yaml，双击复制好的文件打开，将下图中的两部分删掉


下面我们要修改的参数主要是以下这部分：

train: images/train2017  # train images (relative to 'path') 128 images
val: images/train2017  # val images (relative to 'path') 128 images
test:# test images (optional)# Classes
nc:80# number of classes
names:['person','bicycle','car','motorcycle','airplane','bus','train','truck','boat','traffic light','fire hydrant','stop sign','parking meter','bench','bird','cat','dog','horse','sheep','cow','elephant','bear','zebra','giraffe','backpack','umbrella','handbag','tie','suitcase','frisbee','skis','snowboard','sports ball','kite','baseball bat','baseball glove','skateboard','surfboard','tennis racket','bottle','wine glass','cup','fork','knife','spoon','bowl','banana','apple','sandwich','orange','broccoli','carrot','hot dog','pizza','donut','cake','chair','couch','potted plant','bed','dining table','toilet','tv','laptop','mouse','remote','keyboard','cell phone','microwave','oven','toaster','sink','refrigerator','book','clock','vase','scissors','teddy bear','hair drier','toothbrush']# class names

将代码中的nc依然改为自己的类别数量，names改为标签名，例如我的图像标签是airplane，那么这里就要写入airplane

最后，要在上面写入自己的训练集和测试集的地址。这里我写入的是相对地址，当然也可以写绝对地址，而且推荐大家写绝对地址。

所有的步骤完成后，我们就可以在train文件中填入这两个个文件的地址，进行训练了

其中，1填入的是model文件夹中的文件地址，2填入的是data文件夹中的地址

在epochs中的default可以编辑自己的训练次数，这里我选择的是训练一百轮
在batch–size的default中可以选择每次训练的图片数量，如果训练过程中显示“文件无法显示”，就需要把这里的参数调小

找到这一个参数，填入default=0，可以使用gpu训练。但是要注意的是，yolov5不支持高版本的pytorch的cuda，如果要使用GPU训练，需要使用低版本的cuda才可以。
开始训练后，在命令控制台输入tensorboard --logdir=runs即可通过tensorboard查看训练过程

训练完成后的权重文件，可以在runs-train-exp中查看

找到detect文件，找到该部分代码块：

parse_opt():
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', nargs='+',type=str, default=ROOT /'runs/train/exp19/weights/last.pt',help='model path(s)')
    parser.add_argument('--source',type=str, default=ROOT /'data/iron_images',help='file/dir/URL/glob, 0 for webcam')
    parser.add_argument('--data',type=str, default=ROOT /'data/mydatatest.yaml',help='(optional) dataset.yaml path')
    parser.add_argument('--imgsz','--img','--img-size', nargs='+',type=int, default=[640],help='inference size h,w')
    parser.add_argument('--conf-thres',type=float, default=0.1,help='confidence threshold')
    parser.add_argument('--iou-thres',type=float, default=0.45,help='NMS IoU threshold')
    parser.add_argument('--max-det',type=int, default=1000,help='maximum detections per image')
    parser.add_argument('--device', default='',help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--view-img', action='store_true',help='show results')
    parser.add_argument('--save-txt', action='store_true',help='save results to *.txt')
    parser.add_argument('--save-conf', action='store_true',help='save confidences in --save-txt labels')
    parser.add_argument('--save-crop', action='store_true',help='save cropped prediction boxes')
    parser.add_argument('--nosave', action='store_true',help='do not save images/videos')
    parser.add_argument('--classes', nargs='+',type=int,help='filter by class: --classes 0, or --classes 0 2 3')
    parser.add_argument('--agnostic-nms', action='store_true',help='class-agnostic NMS')
    parser.add_argument('--augment', action='store_true',help='augmented inference')
    parser.add_argument('--visualize', action='store_true',help='visualize features')
    parser.add_argument('--update', action='store_true',help='update all models')
    parser.add_argument('--project', default=ROOT /'runs/detect',help='save results to project/name')
    parser.add_argument('--name', default='exp',help='save results to project/name')
    parser.add_argument('--exist-ok', action='store_true',help='existing project/name ok, do not increment')
    parser.add_argument('--line-thickness', default=3,type=int,help='bounding box thickness (pixels)')
    parser.add_argument('--hide-labels', default=False, action='store_true',help='hide labels')
    parser.add_argument('--hide-conf', default=False, action='store_true',help='hide confidences')
    parser.add_argument('--half', action='store_true',help='use FP16 half-precision inference')
    parser.add_argument('--dnn', action='store_true',help='use OpenCV DNN for ONNX inference')

在这里需要对前三个参数进行修改：

在第一个weights的参数中填入训练好的权重文件的路径地址，在第二个source参数中填入要检测的图片，在第三个参数中填入之前复制修改的data文件夹中的yaml文件。点击运行即可

总结

例如：以上就是今天要讲的内容，本文仅仅简单介绍了yolov5的简单使用过程，对于其中很多参数以及yolov5的网络模型，后续将出其他博客进行详细解释。