记录以下我使用yolov5来训练自己数据集的过程以及遇到的坑~~~
首先要部署yolov5的环境
首先去github上下载yolov5 直达
安装依赖包
编译环境我是用的是anaconda 创建的虚拟环境，方便管理，如何创建虚拟环境就不细讲了。创建好之后根据yolov5中的requirment.txt安装它需要的依赖包。
方式一：之前第一次配置环境的时候，用的是pycharm来安装依赖，有几个包一直报错，还是通过 pip install 包.whl的方式安装上的，特别是coco。
方式二：后来换了电脑，直接在anaconda prompt中通过pip就很顺利的就装好了。
还是推荐方式二安装依赖包，方便又好管理。
测试yolov5
进入anaconda的虚拟环境，进入到yolov5的路径下，执行:
python detect.py --source 0
--source 0 表示是用电脑的摄像头，采集视频。如果不想采集视频，可以不加上 source，直接使用 \data\images文件下的测试图片不管是图片还是视频， 测试的结果会保存在yolov5项目中 \runs\detect\exp 文件夹下。
这样yolov5就部署好了，可以训练自己的数据集了。
准备训练集
yolov5的数据集的形式有很多种，我才用的是
图片与标签分开存放在不同的文件夹下，目录如下：
images中存放的是训练和验证的图片，labels中存放的是标签。之前存放图片的文件夹名称为img，在训练的时候老是报错 not found labels，改成images就好了。
标签和图片是根据图片名称来对应的。
打标签用的是LabelImg，使用的方法就不介绍了， 记得使用YOLO的标签格式
; 更改程序
一：将data/coco128.yaml文件更改三个地方：
1.train/val 的路径 更改为自己的图片的存放地址，标签的地址可以自动推断出来
2.nc 更改分类数目
3.names 更改分类名称
下面是根据我的数据集更改过后的文件
download: https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip
train: ../train_imgs/images/train
val: ../train_imgs/images/val
nc: 10
names: [ 'aiye', 'ajiao', 'baifan', 'banxia', 'chenpi', 'honghua' ,'puhuang', 'shanzha' ,'xiakucao', 'xixin' ]
二：根据在train.py当中要使用的权重文件，比如更改yolo5s.yaml文件，这里只需要更改 nc就可以了
下面是更过后的文件，只更改了nc
nc: 10
depth_multiple: 0.33
width_multiple: 0.50
anchors:
- [10,13, 16,30, 33,23]
- [30,61, 62,45, 59,119]
- [116,90, 156,198, 373,326]
backbone:
[[-1, 1, Focus, [64, 3]],
[-1, 1, Conv, [128, 3, 2]],
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]],
[-1, 9, C3, [256]],
[-1, 1, Conv, [512, 3, 2]],
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]],
[-1, 1, SPP, [1024, [5, 9, 13]]],
[-1, 3, C3, [1024, False]],
]
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]],
[-1, 3, C3, [512, False]],
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]],
[-1, 3, C3, [256, False]],
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]],
[-1, 3, C3, [512, False]],
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]],
[-1, 3, C3, [1024, False]],
[[17, 20, 23], 1, Detect, [nc, anchors]],
]
训练模型
有了数据集可以开始训练了
进入虚拟环境，进入yolov5的目录，执行：
python train.py --device 0
--device 0表示使用gpu0来训练模型，如果没有gpu的话，不用加上 device，默认是cpu。
正常训练结束如下图，会产生两个模型文件best.pt和last.pt， 保存在 \runs\train\exp\weights 文件夹下。
报错
在训练的时候报错说： OSError: [WinError 1455] 页面文件太小，无法完成操作，这是内存太小，更改虚拟内存的页面大小，可以解决。
; 测试自己的模型
首先要更改train.py文件中的模型
测试模型还是使用detect.py文件，首先要更改使用的权重文件，把原来的 yolov5s.pt更改为刚刚训练保存的 last.pt或者 best.pt文件。
if __name__ == '__main__':
parser = argparse.ArgumentParser()
parser.add_argument('--weights', nargs='+', type=str, default='last.pt', help='model.pt path(s)')
更改之后可以使用跟之前一样的命令来测试。保存结果的目录和之前一样。
python detect.py --source 0
Original: https://blog.csdn.net/qq_43441764/article/details/116332341
Author: 老白的小猴子
Title: yolov5部署以及训练10种中药材分类数据集
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/666530/
转载文章受原作者版权保护。转载请注明原作者出处！