1.如何用yolov5已有的权重进行检测
在detcet.py中进行参数设置
weights中选用yolov5s.pt/yolov5m.pt/yolov5l.pt/yolov5x.pt
source中设为需要检测的文件路径，设置为’0’，则为检测摄像头内的视频
def parse_opt():
parser = argparse.ArgumentParser()
parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'yolov5s.pt', help='model path(s)')
parser.add_argument('--source', type=str, default=ROOT / '0', help='file/dir/URL/glob, 0 for webcam')
2.使用yolov5训练自己的数据集
Labelimg是一个图像标注工具，软件使用非常简单，下载解压后在data文件夹下有一个predefined_classes文件，在里面提前写好要训练的类型，后面标注的效率会快很多。
链接：https://pan.baidu.com/s/1D2EGh238F7VlH4Caui6faA
提取码：asdf
（1）Open就是打开图片，我们不需要一张一张的打开，太麻烦了，使用下面的Open Dir
（2）Open Dir就是打开需要标注的图片的文件夹，这里就选择images文件夹
（3）change save dir就是标注后保存标记文件的位置，选择需要保存标注信息的文件夹，这里就选择Annotations文件夹
（4）特别注意需要选择好所需要的标注文件的类型。有yolo(txt)， pascalVOC (xml)两种类型。yolov5需要txt文件格式的标注文件，但是这里我们选择pascalVOC，再将xml格式的标注文件转化为所需的txt格式，这里需要用到以下程序，就是运行后除了会生成转换后labels文件夹下的60张图片的txt文件，还会在data文件夹下得到三个包含数据集路径的txt文件，train.tx，tes.txt，val.txt这3个txt文件为划分后图像所在位置的绝对路径，如train.txt就含有所有训练集图像的绝对路径。
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ['High Ripeness','Low Ripeness','Medium Ripeness']
abs_path = os.getcwd()
print(abs_path)
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
def convert_annotation(image_id):
in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
out_file = open('data/labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_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').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_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))
b1, b2, b3, b4 = b
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('data/labels/'):
os.makedirs('data/labels/')
image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
list_file = open('data/%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write(abs_path + 'data/images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()
（5）按W键或点击Create\nRectBox开始创建矩形框，把要进行识别训练的区域标记出来就行，选好框后我们选是什么类别（predefined_classes文件，在里面提前写好要训练的类型的原因），整张图片的所有目标都标记好了之后按Ctrl+S或点击Save保存 ，然后切换下一张继续，快捷键为按D键，每一张图片标记后都要保存，这个过程是一个比较繁琐的过程
以上参考另一位博主，附上连接
原文链接：https://blog.csdn.net/m0_57525262/article/details/122134557
yolov5-master中data文件：
创建images文件夹，其中包括test文件夹（测试集图片）、train文件夹（训练集文件）、val文件夹（验证集文件夹）；
创建labels文件夹，其中包括test文件夹（测试集标签）、train文件夹（训练集标签）、val文件夹（验证集文标签）。一一对应。
创建一个xx.yaml文件，用来指明数据集的，包含以下信息即可
train: data/images/train
val: data/images/val
test: data/images/test
nc: 1
names: ['jiao_cha_zhi']
在train.py中：
‘weights’
可选用yolov5s.pt/yolov5m.pt/yolov5l.pt/yolov5x.pt，表示在yolo已有的权重基础上训练自己的数据集，这样可以更快的得到较高的识别率，
也可以设值为’ ‘空，表示在空白的初始化下训练，这样需要更多的训练轮数才可以得到较高的识别率
‘cfg’
选用与’weights’中一致的yaml文件
‘data’，使用data/xx.yaml，即在2.2中创建的文件
‘batch_size’大小与计算机配置有关，从16开始试，32-64-128
注意，在windows系统中，参数’workers’需要设置为0
与1中相同，只需把’weights’换乘runs/train/exp/weights/best.pt,(last.pt)
检测结果保存在runs-detect-exp中
Original: https://blog.csdn.net/qq_45199760/article/details/123600851
Author: 乌鸦向北
Title: 如何使用YOLOv5训练自己的数据集
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/532555/
转载文章受原作者版权保护。转载请注明原作者出处！