1. AI技术聚合首页
  2. Python

Yolov5_v6.2训练数据集进行预测

xiaoxingxing • • Python • 阅读 222

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

1.1.Minconda安装：略。

1.2.Pytorch安装：

Pytorch的下载选择

1.3. Yolov5源码下载

1.4.下载Yolov5的权重文件

Yolov5_v6.2训练数据集进行预测

2.在Pycharm中初步调试运行yolov5

2.1.Pycharm配置conda虚拟环境

配置环境1
配置环境2

2.2. 运行yolov5根目录下的detect.py

运行detect

2.3.可能遇到的问题

3.训练自己的数据集

3.1.图片类别标注

3.1.1.Labellmg安装

Labellmg安装步骤

#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]

启动界面

# (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]
      默认标注

    • 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
      Yolov5_v6.2训练数据集进行预测

    • 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
      Yolov5_v6.2训练数据集进行预测

  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。
      保存类型

3.2.train.py和detect.py参数了解

3.2.1.detect.py文件部分参数

detect.py文件参数

# 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 0 2 3 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=3

23.'--hide-labels'  官方解释：help='hide labels' 隐藏标签
		default=False

24.'--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

3.2.2.train.py文件部分参数

train参数
Yolov5_v6.2训练数据集进行预测

# 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=4

7.'--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=0.0

30.'--patience' help='EarlyStopping patience (epochs without improvement)'
		提前停止训练（每一轮没有变化）
		default=100

31.'--freeze' help='Freeze layers: backbone=10, first3=0 1 2' 冻结层：主干=10，第一层=0 1 2
		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=0

34.'--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

3.4.云端训练

3.4.1.数据上传

启动OSS

3.4.2.创建实例

3.4.3.打开云端控制台，数据下载

3.4.4.调整参数开始训练

3.4.5.预测

3.4.6.训练后的数据下载到本地

压缩runs目录



以上就是我第一次训练Yolov5的一些笔记记录。

文章出处登录后可见！
已经登录？立即刷新

共计人评分，平均分

到目前为止还没有投票！成为第一位评论此文章。

赞 (0)
xiaoxingxing的头像xiaoxingxing管理团队
0
上一篇 2023年3月25日
下一篇 2023年3月25日

相关推荐