【摘要】目录摘要训练1、下载代码2、配置环境3、准备数据集4、生成数据集5、修改配置参数6、修改train.py的参数7、查看训练结果测试摘要YOLOV5严格意义上说并不是YOLO的第五个版本，因为它并没有得到YOLO之父Joe Redmon的认可，但是给出的测试数据总体表现还是不错。详细数据如下：YOLOv5并不是一个单独的模型，而是一个模型家族，包括了YOLOv5s、YOLOv5m、YOLO…

摘要

YOLOV5严格意义上说并不是YOLO的第五个版本，因为它并没有得到YOLO之父Joe Redmon的认可，但是给出的测试数据总体表现还是不错。详细数据如下：

点击并拖拽以移动

YOLOv5并不是一个单独的模型，而是一个模型家族，包括了YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x、YOLOv5x+TTA，这点有点儿像EfficientDet。由于没有找到V5的论文，我们也只能从代码去学习它。总体上和YOLOV4差不多，可以认为是YOLOV5的加强版。

项目地址：GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

训练

1、下载代码

项目地址：https://github.com/ultralytics/YOLOv5，最近作者又更新了一些代码。

点击并拖拽以移动

2、配置环境

matplotlib>=3.2.2

numpy>=1.18.5

opencv-python>=4.1.2

pillow

PyYAML>=5.3

scipy>=1.4.1

tensorboard>=2.2

torch>=1.6.0

torchvision>=0.7.0

tqdm>=4.41.0
点击并拖拽以移动

3、准备数据集

数据集采用Labelme标注的数据格式，数据集从RSOD数据集中获取了飞机和油桶两类数据集，并将其转为Labelme标注的数据集。

数据集的地址： https://pan.baidu.com/s/1iTUpvA9_cwx1qiH8zbRmDg

提取码：gr6g

或者：LabelmeData.zip_yolov5实战-深度学习文档类资源-CSDN下载

将下载的数据集解压后放到工程的根目录。为下一步生成测试用的数据集做准备。如下图：

点击并拖拽以移动

4、生成数据集

YoloV5的数据集和以前版本的数据集并不相同，我们先看一下转换后的数据集。

数据结构如下图：

点击并拖拽以移动

images文件夹存放train和val的图片

labels里面存放train和val的物体数据，里面的每个txt文件和images里面的图片是一一对应的。

txt文件的内容如下：

点击并拖拽以移动

格式：物体类别 x y w h

坐标是不是真实的坐标，是将坐标除以宽高后的计算出来的，是相对于宽和高的比例。

下面我们编写生成数据集的代码，新建LabelmeToYoloV5.py，然后写入下面的代码。

import os

import numpy as np

import json

from glob import glob

import cv2

from sklearn.model_selection import train_test_split

from os import getcwd
classes = [“aircraft”, “oiltank”]

1.标签路径

labelme_path = “LabelmeData/“

isUseTest = True # 是否创建test集

3.获取待处理文件

files = glob(labelme_path + “*.json”)

files = [i.replace(“\“, “/“).split(“/“)[-1].split(“.json”)[0] for i in files]

print(files)

if isUseTest:

trainval_files, test_files = train_test_split(files, test_size=0.1, random_state=55)

else:

trainval_files = files

split

train_files, val_files = train_test_split(trainval_files, test_size=0.1, random_state=55)
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)

wd = getcwd()

print(wd)
def ChangeToYolo5(files, txt_Name):

if not os.path.exists('tmp/'):

    os.makedirs('tmp/')

list_file = open('tmp/%s.txt' % (txt_Name), 'w')

for json_file_ in files:

    json_filename = labelme_path + json_file_ + ".json"

    imagePath = labelme_path + json_file_ + ".jpg"

    list_file.write('%s/%s\n' % (wd, imagePath))

    out_file = open('%s/%s.txt' % (labelme_path, json_file_), 'w')

    json_file = json.load(open(json_filename, "r", encoding="utf-8"))

    height, width, channels = cv2.imread(labelme_path + json_file_ + ".jpg").shape

    for multi in json_file["shapes"]:

        points = np.array(multi["points"])

        xmin = min(points[:, 0]) if min(points[:, 0]) > 0 else 0

        xmax = max(points[:, 0]) if max(points[:, 0]) > 0 else 0

        ymin = min(points[:, 1]) if min(points[:, 1]) > 0 else 0

        ymax = max(points[:, 1]) if max(points[:, 1]) > 0 else 0

        label = multi["label"]

        if xmax <= xmin:

            pass

        elif ymax <= ymin:

            pass

        else:

            cls_id = classes.index(label)

            b = (float(xmin), float(xmax), float(ymin), float(ymax))

            bb = convert((width, height), b)

            out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

            print(json_filename, xmin, ymin, xmax, ymax, cls_id)

ChangeToYolo5(train_files, “train”)

ChangeToYolo5(val_files, “val”)

ChangeToYolo5(test_files, “test”)
点击并拖拽以移动
这段代码执行完成会在LabelmeData生成每个图片的txt标注数据，同时在tmp文件夹下面生成训练集、验证集和测试集的txt，txt记录的是图片的路径，为下一步生成YoloV5训练和测试用的数据集做准备。在tmp文件夹下面新建MakeData.py文件，生成最终的结果，目录结构如下图：

点击并拖拽以移动

打开MakeData.py,写入下面的代码。

import shutil
import os

file_List = [“train”, “val”, “test”]
for file in file_List:
if not os.path.exists(‘../VOC/images/%s’ % file):
os.makedirs(‘../VOC/images/%s’ % file)
if not os.path.exists(‘../VOC/labels/%s’ % file):
os.makedirs(‘../VOC/labels/%s’ % file)
print(os.path.exists(‘../tmp/%s.txt’ % file))
f = open(‘../tmp/%s.txt’ % file, ‘r’)
lines = f.readlines()
for line in lines:
print(line)
line = “/“.join(line.split(‘/‘)[-5:]).strip()
shutil.copy(line, “../VOC/images/%s” % file)
line = line.replace(‘JPEGImages’, ‘labels’)
line = line.replace(‘jpg’, ‘txt’)
shutil.copy(line, “../VOC/labels/%s/“ % file)
点击并拖拽以移动
执行完成后就可以生成YoloV5训练使用的数据集了。结果如下：

点击并拖拽以移动

5、修改配置参数
打开voc.yaml文件，修改里面的配置参数
点击并拖拽以移动
train: VOC/images/train/ # 训练集图片的路径
点击并拖拽以移动
val: VOC/images/val/ # 验证集图片的路径
点击并拖拽以移动

number of classes

nc: 2 #检测的类别，本次数据集有两个类别所以写2

class names

names: [“aircraft”, “oiltank”]#类别的名称，和转换数据集时的list对应
点击并拖拽以移动
6、修改train.py的参数
cfg参数是YoloV5 模型的配置文件，模型的文件存放在models文件夹下面，按照需求填写不同的文件。
点击并拖拽以移动
weights参数是YoloV5的预训练模型，和cfg对应，例：cfg配置的是yolov5s.yaml，weights就要配置yolov5s.pt
点击并拖拽以移动
data是配置数据集的配置文件，我们选用的是voc.yaml，所以配置data/voc.yaml
点击并拖拽以移动
修改上面三个参数就可以开始训练了，其他的参数根据自己的需求修改。修改后的参数配置如下：
点击并拖拽以移动
parser.add_argument(‘–weights’, type=str, default=’yolov5s.pt’, help=’initial weights path’)

parser.add_argument(‘–cfg’, type=str, default=’yolov5s.yaml’, help=’model.yaml path’)

parser.add_argument(‘–data’, type=str, default=’data/voc.yaml’, help=’data.yaml path’)
点击并拖拽以移动
修改完成后，就可以开始训练了。如下图所示：

点击并拖拽以移动

7、查看训练结果

在经历了300epoch训练之后，我们会在runs文件夹下面找到训练好的权重文件和训练过程的一些文件。如图：

测试

首先需要在voc.yaml中增加测试集的路径，打开voc.yaml，在val字段后面增加test: tmp/test.txt这行代码，如图：

点击并拖拽以移动

修改test.py中的参数，下面的这几个参数要修改。

parser = argparse.ArgumentParser(prog=’test.py’)
parser.add_argument(‘–weights’, nargs=’+’, type=str, default=’runs/exp7/weights/best.pt’, help=’model.pt path(s)’)
parser.add_argument(‘–data’, type=str, default=’data/voc.yaml’, help=’*.data path’)
parser.add_argument(‘–batch-size’, type=int, default=2, help=’size of each image batch’)
parser.add_argument(‘–save-txt’, default=’True’, action=’store_true’, help=’save results to *.txt’)

在275行修改test的方法，增加保存测试结果的路径。这样测试完成后就可以在inference\images查看到测试的图片，在inference\output中查看到保存的测试结果。

如图：