为训练自己的数据集,首先需要安装Yolov5并创建数据集,这些数据集的部分已经在前面的文章中提到。
Yolov5的安装和使用: Yolov5的安装和使用
数据聚合:数据聚合方法

1.创建数据集文件夹

Coco Dataset网站地址: https://cocodataset.org/

这是使用椰子数据集,选择数据集

选择下载

一般来说,您可以下载2017年培训、测试、验证套件以及2017年注释

但是由于硬件设备的局限性,这里是用来培训的验证集

下载完成后,需要进行一些处理以使它达到 yolov5培训所需的格式。在此,使用一个开放源代码工具完成下载。
网站地址: https://github.Convert2Yolo
具体操作可以通过官方文件进行.
注意: Coco.只有必要的类别被输入名称文件,然后筛选和删除无意义的图像,使模型更轻。

2.过滤

训练模型时，因为 Coco 数据集中有许多真正的项目不需要类数据,所以需要进行过滤。由于以前的数据格式转换,它已经通过 coco.names指定一个类别,因此,生成的标签文档中有许多未分类的项目,在这一点上,必须删除这些毫无意义的内容,如果所有的图片元素毫无意义,则删除图片。

3.训练前置准备

3.1创建数据集目录

创建符合下列目录结构的数据集目录:

火车文件夹包含所有您想要的图像和标签。

3.2创建和写配置文件

与下列文件内容类似:

3.3修改训练参数

找到 train.py文件,找到主函数并修改其参数

选择预训练模型,然后选择 yolov 5 s here.pt

选择配置文件,这是向先前创建的配置文件的路径

选择训练周期,此参数设置参考设备状态和数据集大小状态

设置设备,选择cpu或多个gpu,选择0gpu在这里

设置结果保存路径, 这里没有更改

无更改设置结果目录名

然后直接使用火车。 你可以使用 py文件

3.4部分培训结果的解释

weights：训练模式是最好的.pt,而last.pt一般是最好的选择。

confusion_matrix.png：混淆矩阵

例如,汽车类精度和回调率的计算如下:
精度:0.84/(0.84+0.01+0.02+0.02)=0.94
回购率:0.84/(0.84+0.04+0.10+0.01)=0.85

results.png：

第一个图显示训练周期与损失函数的平均值之间的关系。框表示GIOU损失函数的统一值,一般值越小，预测框超过了阈值;第二个图显示目标检测损失平均值,目标越小,检测精度就越高;第三个图是分类损失平均值。等级越小,近似值就越高;val表示验证集的条件;mAP是被精度和回想环绕的两个轴的区域。@后面的数字表示确定iou为正负样本的阈值,0.5:0.95表示0.5:0.5:0.95的阈值为95。

大多数的剩余结果更容易理解,不再可以解释。

结果表明,模型训练效果相当良好。