Yolov5_v6.2训练数据集进行预测

Yolov5_v6.2训练数据集进行预测

学习笔记

记录一下第一次进行Yolov5的部署，调试，训练，预测。
新发布到了博客园：

https://www.cnblogs.com/jhy-ColdMoon/p/17055124.html

1.环境部署

• 我使用的环境是：Yolov5_v6.2 + Minconda + torch_v1.13.0(CPU版本)

1.1.Minconda安装：略。

• 这里不是重点，可以查询专门的安装配置教程。
• 使用Anaconda是一样的。
• 在安装后，建议设置国内镜像源，否则后面下载会很慢。

1.2.Pytorch安装：

• 在Yolov5的requirements.txt中，有设置下载Pytorch，但Pytorch相对于其他东西比较大，所以这里选择单独安装，避免出错。
• 在Pytorch官网https://pytorch.org选择配置（有NVIDIA独显和没独显不一样）后，复制生成的代码，在conda中安装
• 例如我这里没有NVIDIA的独立显卡，所以选择CPU版本#我选择的CPU版本，生成的下载链接conda install pytorch torchvision torchaudio cpuonly -c pytorch

• 安装完成后，查看torch版本#python 查看torch版本>>>import torch>>>print(torch.__version__)#python 判断cuda能否使用>>>import torch>>> torch.cuda.is_available()#True 有cuda False没有cuda，我没有NVIDIA独显且安装的CPU版本，所以为False

1.3. Yolov5源码下载

• Github下载地址：https://github.com/ultralytics/yolov5
• 如果访问慢，可以访问国内的Gitee，同步更新Github上的源码：https://gitee.com/monkeycc/yolov5
• 我下载的是yolov5_v6.2版本，下载后，打开yolov5的目录
• 在conda终端（建议单独创一个训练Yolo的虚拟环境），例如，我这里创建了一个名为Yolov5的虚拟环境，在这个环境下，安装Yolov5的requirements.txt中的包
• 前面已安装好Pytorch，安装requirements.txt中的包时会自动检测，只要满足Yolov5的配置需求，就不会再下载Pytorch了（当然，前面下载Pytorch时，也应该放在同一个虚拟环境）

1.4.下载Yolov5的权重文件

• 下载地址：https://github.com/ultralytics/yolov5/releases
• 训练速度：n>s>m>l>x，速度快，意味着精度低，但一般使用s就行了

• 下载后的.pt权重文件可以直接放在yolov5的根目录下，也可以在yolov5的根目录下新建一个weights文件夹，把权重文件放到里面

2.在Pycharm中初步调试运行yolov5

2.1.Pycharm配置conda虚拟环境

• 在Pycharm中打开yolov5文件夹，并配置好你之前创建的用于yolov5的虚拟环境

2.2. 运行yolov5根目录下的detect.py

• 运行yolov5根目录下的detect.py，看能否正常运行（这个就是预测/目标检测，在官方下载的yolov5中，已经配置好了示例用的参数，配置好环境后，就可以直接运行）

• 这样就是运行成功，结果保存在run\detect\exp4目录中，预测结果如下：
• 也可以在终端中运行

2.3.可能遇到的问题

• 抛异常：AttributeError: 'Detect' object has no attribute 'm'
• 解决：参考博客：https://blog.csdn.net/Joseph__Lagrange/article/details/108255992
• 建议使用官网上的每个版本对应权重文件

3.训练自己的数据集

• 由于我的电脑没有独立显卡，所以我就不在本地进行训练了，后面介绍使用云服务器进行训练
• 但在训练我们自己的数据集之前，我们需要对进行训练的图片进行类别标注
• 如果你使用官网或其他人的已经标注好的数据集（例如：yolov5中已经配置好模型，参数的COCO128数据集），则可以直接配置参数后进行训练，不需要自己标注训练用的图片

3.1.图片类别标注

• 标注工具有很多，这里我使用Labellmg，方便操作，且可以直接保存为适用于yolo的.txt格式，省去了格式转换的麻烦

3.1.1.Labellmg安装

• 官网下载地址：https://github.com/heartexlabs/labelImg
• 安装方式，以官网给出的Windows + Anaconda方式为例 - 下载labellmg的code压缩包，或使用git方式克隆到本地- 使用Anaconda Prompt进入下载的labellmg文件夹

#安装配置相关环境
conda install pyqt=5
conda install -c anaconda lxml
pyrcc5 -o libs/resources.py resources.qrc

#启动labellmg
python labelImg.py

#指定参数启动labellmg
python labelImg.py [IMAGE_PATH][PRE-DEFINED CLASS FILE]

• 每次启动都需要到你的Labellmg的目录下启动，例如我这里放在D:\DeveloperTools\labelImg目录，启动界面如下

• 安装可能遇到的问题

# (1).出现：‘pyrcc5‘ 不是内部或外部命令，也不是可运行的程序 或批处理文件。# 解决：直接使用Anaconda/Minconda的默认(base)环境安装即可，不要用自己另外创建的虚拟环境#(2).出现：EnvironmentNotWritableError: The current user does not have write permissions to the target environm  当前用户没有对目标环境的写入权限#解决：以管理员身份运行cmd或Anaconda Prompt即可

3.1.2.Labellmg使用

1. 使用前的一个注意点- 在labellmg\data目录下，存在一个predefined_classes.txt文件- predefined_classes.txt文件内存在一些预设的标注类型，有15个，索引从0开始，[0,14]- 需要注意，如果你用不到这么多类型，则因该启动labellmg之前就因该把这些预设删除，或替换为自己需要的标注类型名称，这些名称的顺序 必须和 你自己训练数据时的 xxx.yaml文件中标注的类型一致，且顺序一致，索引从0开始，如果不一致，可能存在问题- 例如，后面我这里才发现我只需要两个类别，但最开始是有15个类别的- 主要的原因就是我的两个类别的顺序索引和labellmg生成的标签顺序索引不一致，现在只能手动修改.txt中的索引了，所以建议一开始就指明自己需要哪些标签类别
2. Labellmg使用- Labellmg的特点是可以自己选择标注的保存类型，而labelme是没有的。

• 使用时的一些设置 - 设置标注的标签的保存路径（文件夹）- 设置自动保存- 快捷键：A：上一张图，B：下一张图，W：创建区块（手动标注）- 标注时是鼠标选择一个起点后点击，按住鼠标左键拖动，画一个矩形框。- 最终结果：一张图片对应一个txt文件

3.2.train.py和detect.py参数了解

• 参考视频：https://www.bilibili.com/video/BV1tf4y1t7ru/?spm_id_from=333.999.0.0&vd_source=45352058e2e0900c3d75ba93406d8fdb
• 以下是观看视频时做的笔记，可能有失偏颇，仅供参考，详细的可以去看原视频

3.2.1.detect.py文件部分参数

# default是默认，action是选择。需要的话自己配置参数*******************************下面是有default值的参数*************************************#有default值的参数，你不设置值，就会使用作者给你配好的默认参数值1.'--weight' 权重
        default 'yolo5s.pt'表示默认选择'yolo5s.pt'文件进行训练，也可以改为其他的权重文件。
        例如'yolo5l.pt','yolo5m.pt','yolo5x.pt'2.'--source' 数据源
        2.1.default 'data/images'存放目标检测文件的文件夹，在/images文件夹中可以存放图片/视频(图片推荐.jpg，视频推荐.mp4格式)，同时建议只放同一类的文件类型，比如只放图片，或只放视频。
        2.2.手机下载ip摄像头，路径改为http://admin:admin@手机上打开之后显示的ip地址，就可以实时检测
        电脑要和他在同一WiFi下，ip地址：后面的也写

3.'--data'
        default 'data/coco128.yaml' 默认使用官方yaml文件

4.'--imgsz' 图片尺寸大小
        default=[640] 默认检测时设置图片尺寸为640，这个和图片本身的尺寸不想关，并不是说会把目标图片的大小或输出的图片大小改为设置的大小，而是在检测图片时，会等比例缩放为指定尺寸，这样比较节约算力资源，如果按照图片原本的尺寸去检测，如果原本的图片尺寸很大，则需要更多的算力与时间去检测。但缩放图片比例去检测也意味着检测精度的损失。

5.'--conf-thres' 检测阈值
        default=0.25 默认为0.25  检测阈值设置越低，则检测到的物体越多，但检测精度也越低。在检测结果中，图片上会标出检测到的物体有多少的概率是什么已知的物体。比如：阈值设置越低，则可能将"猫"检测标识为"狗"。反之，阈值设置得越高，则检测精度越高，但检测到的物体可能就很少，有时可能检测不到物体。

6.'--iou-thres' 一般默认（NMS IoU threshold(阈值)）
        default=0.45，数值越大，则检测结果中每个目标的标注会很多（原理就是值越大，就代表检测的块必须完全一致才算同一部份，否则就会算多个不同的部分），反之，数值越小，则检测结果中每个目标标注就会较少，因为会把相似的部分当作同一个部分来标注。

7.'--max-det'8.'--device'设备
        默认为空，会自动检测使用的设备，比如CPU，cuda等

*******************************下面是没有default值的参数*************************************#没有default值的参数，不是需要设置什么，而是用户自己选择是否启用，默认为false，关闭状态。如果用户要启用这些功能，只需要在运行时添加对应的参数（即设置为true）即可，运行时，会自动检测，检测到对应的参数为true，就会启用对应的功能。#比如在命令行中运行'detect.py'且实时显示结果：> python detect.py --view-img

9.'--view-img'实时显示结果
        运行过程中，会实时显示检测出的结果，如果是图片，则每张每张的显示结果（注：如果检测很多张图片，不要设置这个参数，否则会把每一张图片都挨个显示出来），如果是视频，则以视频形式实时播放检测结果（如果电脑卡，那就是一帧一帧的播放，所以也不太建议设置这个参数）

10.'--save-txt'保存检测结果中的标注的坐标
        保存结果为'.txt'文件类型，结果中会多一个'./labels/'文件夹，保存了生成的'.txt'文件

11.'--save-conf' 保存置信度

12.'--save-crop' 保存裁剪的预测框

13.'--nosave' 不保存检测结果的图片/视频

14.'--classes'过滤（可用于只保留指定的类型）
        在检测中的'.txt'文件中，保存了检测目标的 类别（用不同的数字表示不同的类别），还有坐标信息（x,y,w,h）
        例如：--classes 0 只保留0这个类别的文件
                  --classes 023 只保留0，2，3这三个类别的文件
        例如：".txt"文件中，人这个类别用'0'表示，如果设置参数--classes 0 ，则结果图片中只会检测人这个类别，即使图片中有车，信号，动物等，都不会检测。

15.'--agnostic-nms' 增强nms效果

16.'--augment' 增强检测(识别度可能会有提升，但也有翻车的(把狗识别为人)，结果中标注框的颜色会加深一些)17.'--visualize' 可视化特征

18.'--update' 优化
        设置之后，会将运行过程中没用到的部分设置为None，只保存用到的部分

*******************************下面是有default值的参数*************************************19.'--project' 检测结果保存的路径
        default=ROOT /'runs/detect' 即默认保存到项目下的'runs/detect/'文件夹

20.'--name' 检测结果保存到的文件夹的名称
        default='exp' 所以每次运行后，保存结果的文件夹都叫'exp...'*******************************下面是没有default值的参数*************************************21.'--exist-ok' 对于已存在的文件夹是否覆盖
        默认为false，即：如果已存在'--name'参数指定的文件夹'exp'，则创建新的文件夹保存结果，例如'exp2'。
        同理，如果'exp2'也存在，就继续增加数字，例如'exp3'，直到不存在同名的文件夹
        如果用户设置了这个参数，则表示，始终把检测结果保存到'--name'参数指定的文件夹'exp'中，即使'exp'文件夹存在，里面有文件，也会保存到这里面。

*******************************下面是有default值的参数*************************************22.'--line-thickness'  官方解释：help='bounding box thickness (pixels)' 边界框厚度（像素）
        default=323.'--hide-labels'  官方解释：help='hide labels' 隐藏标签
        default=False24.'--hide-conf' 官方解释：help='hide confidences' 隐藏置信度

*******************************下面是没有default值的参数*************************************25.'--half' 官方解释：help='use FP16 half-precision inference' 使用FP16半精确推理

26.'--dnn' 官方解释：help='use OpenCV DNN for ONNX inference' 使用OpenCV DNN进行ONNX推理

*******************************下面是有default值的参数*************************************27.'--vid-stride' 官方解释：help='video frame-rate stride' 视频帧速率步幅
        default=1，即默认一帧一帧的处理

• Pycharm中设置运行detect.py时的参数
• 在命令行中加入参数，就是加在python detect.py的后面，例如python detect.py --view-img
• 参数中设置外部图片文件夹
• 设置外部视频文件

3.2.2.train.py文件部分参数

# default是默认，action是选择。需要的话自己配置参数*******************************下面是有default值的参数*************************************#有default值的参数，你不设置值，就会使用作者给你配好的默认参数值1.'--weights'
        default='yolov5s.pt' 默认使用'yolov5s.pt'权重文件进行训练。也可以改为其他的权重文件。
        例如'yolo5l.pt','yolo5m.pt','yolo5x.pt'，当然你也可以使用其他训练好的权重文件。
        如果是自己训练数据集，则可以设置空参(即：default='')，让程序来生成权重文件。

2.'--cfg' 训练用的模型文件
        default='' 默认为空，可以自己添加，例如使用官方的模型，在项目的'/models/'文件夹下
        官方的有：'yolov5l.yaml','yolov5m.yaml','yolov5n.yaml','yolov5s.yaml','yolov5x.yaml'模型

3.'--data' 指定训练用的数据集
        default='data/coco128.yaml' 默认使用官方的数据集图片（coco128即coco数据集的前128张图片，因为完整的coco数据集图片很多），打开'data/coco128.yaml'文件，可以发现其中指定的内容：
        如果在本地项目中没有找到coco128数据集，则会自动下载，但由于有些电脑可能自动下载失败，可以复制给出的下载链接，手动去下载。download: https://ultralytics.com/assets/coco128.zip'coco128.yaml'中还指定了数据集的路径：path，train(训练集),val(验证集),test(测试集)的路径。
        其中 #Classes表示类别，names总共有80个，表示分了80个类别
        当然，也可以使用其他的数据集，例如'coco.yaml','VOC.yaml'等官方提供的，或是别人的。
        
4.'--hpy' 超参数，用于对项目进行微调
        default='data/hyps/hyp.scratch-low.yaml'  需要指定文件路径
        需要注意：官方的'data/hyps/'文件夹下的'.yaml'文件并不适合每个数据集，例如'hyp.scratch-low.yaml'的开头几行就标明了：# Hyperparameters for low-augmentation COCO training from scratch #用于从无到有的低增强COCO训练的超参数，即这个超参数文件只适用于COCO数据集进行训练5.'--epochs' 训练几轮
        default=300，默认为训练300轮

6.'--batch-size' 批量大小（一次训练多少张图片）（一次处理的数据量多少）
        default=16，跑多少的数据打包成一个batch送到网络中，低配电脑建议调小，否则可能会爆显存
        建议default=47.'--imgsz' 设置训练时图像的大小(不是把训练的图片的尺寸改为指定的尺寸)
        default=640*******************************下面是没有default值的参数*************************************8.'--rect' 矩阵训练
        以前，对于不是正方形的图片，会自动填充图片边缘使其成为一个正方形图片，现在用矩阵训练，在满足网络模型输入要求的时候，就可以不必填充，原来是一个长方形图片，还是按长方形算，减少不必要的冗余信息，提高处理效率。

9.'--resume' 从最近的(上一个)训练模型中继续训练（断点续训）
        default=False
        如果要使用，除了启用设置参数，还需要指定上一个训练模型的路径（.pt文件的路径）
        将default=False改为default='权重.pt文件的路径'
        断点续训，这个在epoch(训练次数)太多，训练容易卡死时可设置，这样就可以接着上一次中断的地方继续训练。
        例如：上一次训练到第7轮时中断了，则可以设置这个参数，这样就可以从第7轮继续训练。
        但需要注意，不是指定了一个.pt文件就可以了，还需要原来训练时的所有相关联的文件。

10.'--nosave'help='only save final checkpoint'只保存最后一次训练的权重文件
        训练过程中，每一轮都会生成一个.pt权重文件，但训练次数越多，权重文件的精度越好。

11.'--noval'help='only validate final epoch' 仅验证最后一轮
        一般是每一轮都会验证。有些版本的这个参数叫'--notest'12.'--noautoanchor'help='disable AutoAnchor' 禁用自动定位（禁用锚点）
        以前检测图像，需要一个一个遍历，有了锚点后，就能快速定位，减少资源占用。所以默认是开启锚点的

13.'--noplots'help='save no plot files'不保存打印文件

14.'--evolve'help='evolve hyperparameters for x generations'
        调整超参数的一种方式，对参数进行遗传算法

15.'--bucket'help='gsutil bucket'16.'--cache' 缓存图像
        help='--cache images in "ram" (default) or "disk"' 在RAM或DISK(磁盘)中缓存图像，以提供更快的速度
        默认关闭状态

17.'--image-weights'help='use weighted image selection for training' 使用加权图像选择进行训练
        理解：在上一轮的测试中，对于某些效果不太好的图片，在下一轮测试中加一些权重

18.'--device' 设备
        默认为空，会自动检测使用的设备，比如CPU，cuda等

19.'--multi-scale' 对图像进行缩放比例变换

20.'--single-cls'help='train multi-class data as single-class'训练的数据集是单类别还是多类别
        数据集图像中，每一种物体定义为一个类别，例如：人、车、狗、猫......21.'--optimizer'help='optimizer' 优化器
        choices=['SGD','Adam','AdamW'], default='SGD' 官方提供了3种，默认为'SGD'22.'--sync-bn'help='use SyncBatchNorm, only available in DDP mode'
        仅对于那些有很多张显卡的电脑/服务器，可以适用DDP分布式训练

23.'--workers'help='max dataloader workers (per RANK in DDP mode)' 最大数据加载器工人数
        对于DDP模式的参数设置

*******************************下面是有default值的参数*************************************24.'--project' 训练数据集后的输出路径
         default='runs/train'25.'--name' 训练结果保存到的文件夹的名称
        default='exp' 所以每次运行后，保存结果的文件夹都叫'exp...'*******************************下面是没有default值的参数*************************************26.'--exist-ok'  对于已存在的文件夹是否覆盖
        默认为false，即：如果已存在'--name'参数指定的文件夹'exp'，则创建新的文件夹保存结果，例如'exp2'。
        同理，如果'exp2'也存在，就继续增加数字，例如'exp3'，直到不存在同名的文件夹
        如果用户设置了这个参数，则表示，始终把检测结果保存到'--name'参数指定的文件夹'exp'中，即使'exp'文件夹存在，里面有文件，也会保存到这里面。

27.'--quad'help='quad dataloader' 四数据加载器
        实验性功能，可能效果会更好，但也不确定，有时也更差

28.'--cos-lr'help='cosine LR scheduler' 余弦调度
        如果开启，适用余弦方式进行处理（余弦退火算法），如果没有开启则使用线性处理

*******************************下面是有default值的参数*************************************29.'--lable-smoothing' elp='Label smoothing epsilon' 标签平滑
        避免在一些分类算法中，一些过拟合的情况产生
        default=0.030.'--patience'help='EarlyStopping patience (epochs without improvement)'
        提前停止训练（每一轮没有变化）
        default=10031.'--freeze'help='Freeze layers: backbone=10, first3=0 1 2' 冻结层：主干=10，第一层=012
        default=[0]32.'--save-preiod'help='Save checkpoint every x epochs (disabled if < 1)'
        每x轮保存日志，不过好像要装WandB这个插件（这个插件好像没什么用），装了之后才能设置
        default=-1，即禁用，装了插件后启用，则将参数值改为>1的

33.'--seed'help='Global training seed' 全局训练传递
        default=034.'--local_rank'help='Automatic DDP Multi-GPU argument, do not modify' 自动DDP多GPU参数，请勿修改
        default=-1-------------# Logger arguments 记录器参数------------------35.'--entity'help='Entity'实体
        default=None（好像这个功能还没实现，具体实现代码作者还没写）

36.'--upload_dataset' 上传数据集 help='Upload data, "val" option' 上传数据，“val”选项
        default=False（好像这个功能还没实现，具体实现代码作者还没写）

37.'--bbox_interval'help='Set bounding-box image logging interval' 设置边界框图像记录间隔
        default=-1（好像这个功能还没实现，具体实现代码作者还没写）

38.'--artifact_alias'help='Version of dataset artifact to use' 要使用的数据集工件版本
        default='latest'（好像这个功能还没实现，具体实现代码作者还没写）

3.3.本地训练

• 由于我的电脑没有独立显卡，所以我就不在本地进行训练了，下面介绍使用云服务器进行训练

3.4.云端训练

• 这里我使用的是恒源云，也可使用阿里云、腾讯云等，随意。
• 恒源云官网：https://www.gpushare.com
• 访问官网，打开文档中心，可以自行学习如何操作
• 下面是我自己的操作，仅供参考

3.4.1.数据上传

• 第一步就可以先把自己的需要训练的数据上传，官方提供的OSS存储（云盘），好像是按时间收费的（不用的时候可以清空下空间）
• 上传个人数据时，数据量越大，上传时间越久（也取决于个人的网速），如果不需要的文件，可以不用上传
• 在用户文档的数据上传板块，官方提供了三种上传文件的方式
• 这里我选择使用官方提供的OSS工具，上传个人数据，OSS工具的下载安装，可在官网的用户文档中找到
• 下载后就是一个oss.exe文件，不用安装，直接使用，建议直接复制到需要上传数据的文件夹
• 注意：OSS工具只能上传压缩包形式的文件！，所以先把要上传的数据压缩为.zip文件格式
• 双击运行oss.exe，启动界面如下

• 输入login，登录，接着输入Username和Password，就是你注册/登录时的账号和密码
• 输入mkdir oss://MyData，就会在官网上的属于你的OSS存储中创建一个MyData文件夹(可选)
• 上传你的训练数据到上面自己创建的文件夹中
• 这里以test.zip为例，输入cp test.zip oss://MyData/即可上传文件到云端目录，上传的快慢和文件大小与自己的网速有关
• 注意：在本地上传数据期间，需要把网页端打开，可能是保持连接吧，否则可能会上传失败，但还好有断点续传
• 输入ls -s -d oss://MyData/查看自己上传的个人数据（压缩包）
• 也可以在云端的控制台查看到自己上传的文件

3.4.2.创建实例

• 在控制台，我的实例中，点击创建实例
• 购买实例，选择自己需要的计费模式，机型，显卡
• 关于镜像选择
• 可以选择官方的镜像
• 如果想图个方便，直接去镜像市场看看，有别人已经配置好的镜像，可以直接用（推荐）
• 关于镜像费用，购买镜像是不花钱，但购买了镜像，就相当于你把别人的镜像复制到了你的云空间，使用云空间是收费的，就是占用你的OSS存储空间，超过免费的5GB容量是另外收费的，不过也很便宜的。
• 也可以先在镜像中找一下，是否有自己需要的镜像
• 例如用于训练Yolov5的镜像，点击添加到我的镜像，即添加进自己账户的OSS存储空间（按小时收费，也很便宜）
• 使用官方送的代金卷购买实例
• 创建实例后的界面，打开JupyterLab

3.4.3.打开云端控制台，数据下载

• 选择终端
• 使用前，先登录，输入oss login进行登录
• oss ls -s -d oss://datasets/ 查看之前上传到云端datasets文件夹的.zip文件
• oss cp oss://datasets/yolov5.zip /hy-tmp/ 下载压缩文件到/hy-tmp目录下
• 进入到/hy-tmp目录，并查看当前目录下存在的文件为yolov5.zip
• 使用unzip yolov5.zip命令，解压文件
• 解压后再次查看存在的文件
• 当然也可以在左边的树形目录中查看

3.4.4.调整参数开始训练

• 由于之前创建实例用的是已经配置好的Yolov5的环境镜像，所以可以直接用
• 这里以训练我自己标注的20张图片为例，初始权重使用yolov5x.pt，训练300轮
• train.py参数设置，也可以自己设置其他的参数
• 其中/data/MyTrains_parameter.yaml的内容如下# parent# ├── yolov5# └── datasets# └── MyTrains# parameter：参数配置path:../datasets/MyTrains # dataset root dir 数据集路径train: images/train # 训练集val: images/train # 验证集(这里把验证集也使用训练集，为了方便，让训练集和验证集是一个，也没啥大问题。)#test: images/test # 测试集(可选)# Classesnc:2# number of classes 你标注的类别的数量names:0: car 1: person
• 其中/models/MyTrains_model.yaml的内容，就是复制的源码中的/models/yolov5x.yaml，然后将其中的nc类别数量改为 2（你自己标注有几个类别就改为几个类别）
• 开始训练
• 训练完成

3.4.5.预测

• 在detect.py的--weights参数设置自己训练后生成的best.pt权重文件
• --source参数设置你用于预测的图片
• --data参数设置为训练时的data/MyTrains_parameter.yaml
• 其他参数可以自行设置
• 开始预测
• 部分预测结果
• 只有20张图，预测结果还是不太准确

3.4.6.训练后的数据下载到本地

• 这里我只把训练结果runs/文件夹下载，因为其他都是本地上传的，所以就全部下载了
• 在yolov5目录下，压缩runs/文件夹zip-r -q xxx.zip runs/将目录 run/ 下的所有文件，打包成一个压缩文件，并查看了打包后文件的大小和类型。-r 参数表示递归打包包含子目录的全部内容，-q 参数表示为安静模式，即不向屏幕输出信息

• 将压缩后的文件，上传到OSS云存储空间，输入oss cp xxx.zip oss://MyData/
• 这一步是后面加的，所以压缩后的名字不同
• ls 在本地OSS中查看OSS云储存空间中的文件有哪些
• 将OSS云存储空间中的压缩文件下载到本地
• 例如：我这里下载到桌面，输入cp oss://MyData/test.zip D:\CYT\Desktop

以上就是我第一次训练Yolov5的一些笔记记录。