最近在做毕设，感觉网上信息不是很全，把自己的训练过程写下来供做这个方向的友友学习。只有简单的复现，其余的还没探索到。

一、数据集以及数据预处理

首先就是数据集：我用的数据集是西工大发布的数据集，NWPU VHR-10

链接：https://pan.baidu.com/s/1vfhDU2ORWUpL-aGM1PllGw 
提取码：d5au

西工大数据集有十个类别，有三个文件夹，分别是positive image set（650张图片），negative image set（150张图片）和ground truth（650个txt文件）。

negative image set中的影像无对应的地物目标，
positive image set中的影像包括1个及以上对应的地物目标，
ground truth中的txt对应positive image set中地物目标的外接矩形
影像信息：

• image size: 500~1100 * 500~1100 * 3
• image number: 800
• object number: 3,651

标注信息：
10类，共3,651个目标；

• airplane,飞机
• ship,船
• storage tank,储罐
• baseball diamond,棒球场
• tennis court,网球场
• basketball court,篮球场
• ground track field,地面轨道场
• harbor,港口
• bridge,桥
• vehicle,交通工具

 首先就是要把NWPU VHR-10转换成类似于voc数据集的形式然后再转化为yolo格式。

voc文件格式包含文件annotations存放图片信息、images存放训练图片、ImageSets存放图片训练信息。

将negative image set、positive image set内图片重新进行顺序编号为000001.jpg-000800.jpg，positive image set内图片为000001.jpg-000650.jpg，negative image set内图片为000651.jpg-000800.jpg，然后存放在image文件夹内。

数据集的annotations文件夹内的标注信息xml文件格式相同的xml文件。因为negative image set内图片无对应标注信息，所以只生成包含图片大小的xml文件。

ImageSets文件夹内划分为train.txt、val.txt、trainval.txt、test.txt四个文件,train代表训练集信息，val代表验证集信息，trainval代表训练集和验证集合并的数据信息，test代表测试集信息。

然后将voc格式转换为yolo格式，在目录下生成新的labels文件夹，把数据集路径导入txt文件，将每个xml标注信息提取转换为了txt格式，每个图像对应一个txt文件。

附上我的程序，其中main.py,1.py，2.py，3.py按顺序运行，因为后一个可能会用到前一个生成出来的东西的地址，把地址改成自己的地址就行。

链接：https://pan.baidu.com/s/1C04y16LIdyby5vhNEzsYSA 
提取码：iz0r

有个地方出错了，3.py里面这一行改成底下那一句，少了一个bridge的类，harbor和vehicle之间少了一个，，然后tennis拼错了

classes = ['airplane','ship','storage tank','baseball diamond','tennis court','basketball court','ground track field','harbor','bridge','vehicle']  # class names

！！！地址很多！！！而且一定要按照顺序来运行，如果不确定能不能生成文件夹，可以自己提前创建，然后直接运行就行，除了地址其余什么都不需要改！！！！！

二、环境搭建

首先附上yolov5官方源码，可以自己在Github上面下载，直接在Github上面搜yolov5，下载点赞最多的那个就行。我已经下载到我的网盘了，这里附上我的网盘链接。

链接：https://pan.baidu.com/s/1BENXIeyKgjwyAhnXA_n9Uw 
提取码：3r9o

yolov5运行需要pytorch和cuda，因为我以前运行过一些神经网络深度学习的算法，所以我的环境都是已经搭建好的，另外如果想提高运行速度，是需要下载GPU的，只用cpu运行速度太慢，但是也能运行。python版本最好是3.7或者3.8，太高好像会报错，可以在运行前提前降一下python版本。我用的是3.8的conda版本。

如果是纯纯小白，看这篇博客，安装环境

记录使用Anaconda、Pycharm配置Yolov5环境全过程

环境搭建好下一步就是安装所需要的库

pip install -r requirements.txt

yolov5自带一个requirements.txt文件，就是运行时能用到的所有库，按照上面的语句在终端也就是terminal运行一下就行，虽然一般情况下不会顺利完成，安装不了的就自己手动pip，可以win+r输入cmd进入命令提示符窗口，输入pip list，就可以看到所有的库和版本，对照requirements.txt给定的版本该install的install，该uninstall的uninstall。

三、运行程序

首先需要在data文件夹下创建一个mydata.yaml,像这样，mydata.yaml是data的子文件。

 mydata.yaml的程序，yaml格式非常严格，除地址外的冒号后面都要有一个空格，不然会报错，（因为这个空格我改了两个小时），还有！！！

val，train，test的地址是我们数据预处理最后一步生成的地址。

在这里的哦，和文件夹是同级文件，至于两个.cache文件没有不用管，这是在训练的时候生成的，现在没有是正常的，别整错了哦。

 这是程序，建议大家直接复制改个地址就行。简单介绍一下，前面三行是地址，后面是类别，最后一个是类别的数目，也可以根据自己数据集进行修改。

val: G:/csdn/yolov5/nwpu vhr-10/val.txt
train: G:/csdn/yolov5/nwpu vhr-10/train.txt
test: G:/csdn/yolov5/nwpu vhr-10/test.txt
names:
- airplane
- ship
- storage tank
- baseball diamond
- tennis court
- basketball court
- ground track field
- harbor
- bridge
- vehicle
nc: 10

然后就是修改主程序，train.py,在utils文件下

 主要需要修改的部分就是这五个，如果使用的是源码，只需要把第三行的yaml文件改成Mydata就行。第一行的.pt文件是权重文件，是可以换的，后面会提到。

接下来就是修改yaml文件，第二行我们使用的是yolo5s.yaml,所以在model/yolov5s.yaml中修改。

 把nc数改成上面一样的就行，因为西工大数据集只有十个类别，所以我的nc是10。

接下来就可以运行了。

如果出现了连接不到网络或者对方无响应什么的问题，那就是在运行中它会自己下载权重文件，也就是上面第一行的yolov5s.pt  的pt文件，出现问题也没多大关系，可以自己下载权重文件然后放到文件夹里就行啦。

链接：https://pan.baidu.com/s/1p7_v_Wlicw_7oBUv-QNv_w 
提取码：uarf

这是权重文件链接，放到根目录下，也就是说和model是同级文件，并行的！！

权重文件长这样，内存越大，权重越大，训练效果越好，并不绝对！！！小心过拟合，而且运行速度zun的很慢，我用5s运行的西工大数据集，100个epochs，跑了十个小时，换了个权重文件，5x的，一个小时都跑不完一个epoch。

这样就没问题啦，运行出来的结果会保存到runs\train\exp里面

 四、detect

同样也是在utils文件夹下，修改这三个文件，第一个是我们使用的权重文件，第二个是我们需要检测的图片地址（一定要换成自己的图片！！！） ，第三个就是老规矩。然后就可以运行了，生成的结果在runs\test\exp里面，我忘了截图了。

 五、换权重文件

第一步，修改train里面的五个框，把5s改成别的，建议如果用大的权重文件就把epoch和batch-size改小一点，要不然会超时的哦，第二不，改相应的pt文件里的nc数，有印象吧，然后就可以运行了，如果报错，可以直接用一行代码在终端也就是terminal里运行。（因为我自己运行的时候报了个莫名其妙的错误，所以用了这种方法，比较简单，不用改源码，什么都不需要改。

python train.py --batch-size 2 --epochs 100 --data G:\bishe\bishe1\yolov5-master\data\mydata.yaml --weights D:\BaiduNetdiskDownload\yolov5-weights\yolov5x.pt

四个要素，batchsize，epochs，mydata.yaml的地址还有权重文件.pt的地址。这个方法不用改代码，什么都不需要动，无论你把我刚刚圈的几个框改成什么样了都没关系，直接这一行就行了

同样，detect也可以用这个方法。

python .\detect.py --source C:\Users\Administrator\PycharmProjects\yolov5\imgs\valid\images --weights C:\Users\Administrator\PycharmProjects\yolov5\runs\train\exp8\weights\best.pt

两个要素，一个是你需要测试的图片的地址，另一个是pt文件，这个文件就是我们训练出来的了，在runs\train\exp\weights\best.pt

这个也一样，不需要改源码，也不用管你把源码框框改成什么样了，都可以用这个方法。

 放一张detect的图片。

这是我使用yolov5训练西工大数据集的全过程，我一点点摸索出来的，如果有不对的地方欢迎各位大佬留言指正，如果有什么问题也可以私信我，会的我会回答，不会的我只能深感抱歉，后续有改进我也会发出来的。谢谢大家！！！