项目的克隆

打开yolov5官网(GitHub - ultralytics/yolov5 at v5.0),下载yolov5的项目:

Yolov5——训练目标检测模型

环境的安装(免额外安装CUDA和cudnn)

 打开anaconda的终端,创建新的名为yolov5的环境(python选择3.8版本):

conda create -n yolov5 python=3.8

Yolov5——训练目标检测模型

执行如下命令,激活这个环境:

conda activate yolov5

Yolov5——训练目标检测模型

 打开pytorch的官网,选择自己显卡对应的pytorch版本(我的显卡为GTX1650,这里选择1.8.0pytorch版本):

Yolov5——训练目标检测模型

 选择CUDA版本(这里我选择10.2),复制命令到anaconda终端执行:

Yolov5——训练目标检测模型

至此pytorch环境安装完成,接下来验证CUDA和cudnn版本,打开Ptcharm,执行如下代码:

import torch
print(torch.cuda.is_available())
print(torch.backends.cudnn.is_available())
print(torch.cuda_version)
print(torch.backends.cudnn.version())

输出如下结果表示安装成功:

Yolov5——训练目标检测模型

利用labelimg标注数据集:

labelimg的安装:

打开cmd命令控制台,输入如下的命令下载labelimg相关的依赖:

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

数据准备:

新建一个名为VOC2007的文件夹,在里面创建一个名为JPEGImages的文件夹存放需要打标签的图片文件;再创建一个名为Annotations的文件夹存放标注的标签文件;最后创建一个名为 predefined_classes.txt 的txt文件来存放所要标注的类别名称(这里我的类别一共有6类,分别是fanbingbing,jiangwen,liangjiahui,liuyifei,zhangziyi,zhoujielun):

Yolov5——训练目标检测模型

 Yolov5——训练目标检测模型

 Yolov5——训练目标检测模型

Yolov5——训练目标检测模型

 进入到刚刚创建的VOC2007路径,执行cmd命令:

Yolov5——训练目标检测模型

 输入如下的命令打开labelimg并初始化predefined_classes.txt里面定义的类:

labelimg JPEGImages predefined_classes.txt

Yolov5——训练目标检测模型

 打开view设置,勾选如下选项(建议勾选):

Yolov5——训练目标检测模型

 标注数据:

按下快捷键W调出标注十字架,选择需要标注的对象区域,并定义自己要标注的类别:

Yolov5——训练目标检测模型

 打完标签后的图片会在Annotations 文件夹下生成对应的xml文件:

Yolov5——训练目标检测模型

数据集格式转化及训练集和验证集划分

利用pycharm打开从yolov5官网下载的yolov5项目,在该项目目录下创建名为VOCdevkit的文件夹,并将刚才的VOC2007文件夹放入:

 Yolov5——训练目标检测模型

 在VOCdevkit的同级目录下创建新的python文件,执行如下代码:

(注:classes里面必须正确填写xml里面已经标注好的类这里为classes = ["fanbingbing", "jiangwen", "liangjiahui", "liuyifei", "zhangziyi", "zhoujielun"])

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import random
from shutil import copyfile

classes = ["fanbingbing", "jiangwen", "liangjiahui", "liuyifei", "zhangziyi", "zhoujielun"]
# classes=["ball"]

TRAIN_RATIO = 80


def clear_hidden_files(path):
    dir_list = os.listdir(path)
    for i in dir_list:
        abspath = os.path.join(os.path.abspath(path), i)
        if os.path.isfile(abspath):
            if i.startswith("._"):
                os.remove(abspath)
        else:
            clear_hidden_files(abspath)


def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    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("F:/Yolov5/yolov5_offical/yolov5-master/VOCdevkit/VOC2007/Annotations/%s.xml" % image_id)
    out_file = open('F:/Yolov5/yolov5_offical/yolov5-master/VOCdevkit/VOC2007/YOLOLabels/%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))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + 'n')
    in_file.close()
    out_file.close()


wd = os.getcwd()
wd = os.getcwd()
data_base_dir = os.path.join(wd, "F:/Yolov5/yolov5_offical/yolov5-master/VOCdevkit/")
if not os.path.isdir(data_base_dir):
    os.mkdir(data_base_dir)
work_sapce_dir = os.path.join(data_base_dir, "VOC2007/")
if not os.path.isdir(work_sapce_dir):
    os.mkdir(work_sapce_dir)
annotation_dir = os.path.join(work_sapce_dir, "Annotations/")
if not os.path.isdir(annotation_dir):
    os.mkdir(annotation_dir)
clear_hidden_files(annotation_dir)
image_dir = os.path.join(work_sapce_dir, "JPEGImages/")
if not os.path.isdir(image_dir):
    os.mkdir(image_dir)
clear_hidden_files(image_dir)
yolo_labels_dir = os.path.join(work_sapce_dir, "YOLOLabels/")
if not os.path.isdir(yolo_labels_dir):
    os.mkdir(yolo_labels_dir)
clear_hidden_files(yolo_labels_dir)
yolov5_images_dir = os.path.join(data_base_dir, "images/")
if not os.path.isdir(yolov5_images_dir):
    os.mkdir(yolov5_images_dir)
clear_hidden_files(yolov5_images_dir)
yolov5_labels_dir = os.path.join(data_base_dir, "labels/")
if not os.path.isdir(yolov5_labels_dir):
    os.mkdir(yolov5_labels_dir)
clear_hidden_files(yolov5_labels_dir)
yolov5_images_train_dir = os.path.join(yolov5_images_dir, "train/")
if not os.path.isdir(yolov5_images_train_dir):
    os.mkdir(yolov5_images_train_dir)
clear_hidden_files(yolov5_images_train_dir)
yolov5_images_test_dir = os.path.join(yolov5_images_dir, "val/")
if not os.path.isdir(yolov5_images_test_dir):
    os.mkdir(yolov5_images_test_dir)
clear_hidden_files(yolov5_images_test_dir)
yolov5_labels_train_dir = os.path.join(yolov5_labels_dir, "train/")
if not os.path.isdir(yolov5_labels_train_dir):
    os.mkdir(yolov5_labels_train_dir)
clear_hidden_files(yolov5_labels_train_dir)
yolov5_labels_test_dir = os.path.join(yolov5_labels_dir, "val/")
if not os.path.isdir(yolov5_labels_test_dir):
    os.mkdir(yolov5_labels_test_dir)
clear_hidden_files(yolov5_labels_test_dir)

train_file = open(os.path.join(wd, "yolov5_train.txt"), 'w')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'w')
train_file.close()
test_file.close()
train_file = open(os.path.join(wd, "yolov5_train.txt"), 'a')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'a')
list_imgs = os.listdir(image_dir)  # list image files
prob = random.randint(1, 100)
print("Probability: %d" % prob)
for i in range(0, len(list_imgs)):
    path = os.path.join(image_dir, list_imgs[i])
    if os.path.isfile(path):
        image_path = image_dir + list_imgs[i]
        voc_path = list_imgs[i]
        (nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path))
        (voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path))
        annotation_name = nameWithoutExtention + '.xml'
        annotation_path = os.path.join(annotation_dir, annotation_name)
        label_name = nameWithoutExtention + '.txt'
        label_path = os.path.join(yolo_labels_dir, label_name)
    prob = random.randint(1, 100)
    print("Probability: %d" % prob)
    if (prob < TRAIN_RATIO):  # train dataset
        if os.path.exists(annotation_path):
            train_file.write(image_path + 'n')
            convert_annotation(nameWithoutExtention)  # convert label
            copyfile(image_path, yolov5_images_train_dir + voc_path)
            copyfile(label_path, yolov5_labels_train_dir + label_name)
    else:  # test dataset
        if os.path.exists(annotation_path):
            test_file.write(image_path + 'n')
            convert_annotation(nameWithoutExtention)  # convert label
            copyfile(image_path, yolov5_images_test_dir + voc_path)
            copyfile(label_path, yolov5_labels_test_dir + label_name)
train_file.close()
test_file.close()

代码执行完成后目录结构如下:

Yolov5——训练目标检测模型

 下载预训练权重:

打开这个网址下载预训练权重,这里选择yolov5s.pt。

训练模型

修改数据配置文件:

找到data目录下的voc.yaml文件,将该文件复制一份,重命名为people.yaml:

Yolov5——训练目标检测模型

 打开people.yaml,修改相关参数(train,val,nc):

Yolov5——训练目标检测模型

 修改模型配置文件:

找到models目录下的yolov5s.yaml文件,将该文件复制一份,重命名为yolov5s_people.yaml:

Yolov5——训练目标检测模型

 打开yolov5_people.yaml,修改相关参数(nc):

Yolov5——训练目标检测模型

 训练模型:

打开irain.py,修改如下参数:

weights:权重的路径

cfg:yolov5s_people.yaml路径

data:people.yaml路径

epochs:训练的轮数

batch-size:每次输入图片数量(根据自己电脑情况修改)

workers:最大工作核心数(根据自己电脑情况修改)
Yolov5——训练目标检测模型 Yolov5——训练目标检测模型 Yolov5——训练目标检测模型

Yolov5——训练目标检测模型

运行train.py函数训练自己的模型。

tensorbord查看参数

打开pycharm的命令控制终端,运行如下命令:

tensorboard --logdir=runs/train

Yolov5——训练目标检测模型

Yolov5——训练目标检测模型

推理测试

模型训练完成后,会在主目录下产生一个名为runs的文件夹,在runs/train/exp/weights目录下会产生两个权重文件,一个是最后一轮的权重文件,一个是最好的权重文件。

Yolov5——训练目标检测模型

打开detect.py文件,修改相关参数:

weights:权重路径(这里选择best.pt)

source:测试数据路径,可以是图片/视频,也可以是'0'(电脑自带摄像头)

Yolov5——训练目标检测模型

行detect.py进行测试,测试结果会保存在runs/detect/exp目录下:

 Yolov5——训练目标检测模型