目录
0 前言
1. Yolov5 " githab " 密码克隆
1. 复制Yolov5网络项目
1.2 项目代码结构概述
1.3 Yolov5要求配置深入学习环境和安装图书馆。
2. 数据集编制和训练前加权数
1.1 使用标签标签方式对数据进行两次标签标签和分类
2. 下载测试前加权数
3、训练自己的模型
3. 1. 更改几个文件设置 。
三.2 开发自己的模式
3) 允许火龙看到参数。
4. 自行培训的模式用于鉴定身份。
5. 经常报告错误。
0 前言
利用Yolov5网络训练他们自己的数据集, 并找出目标。 这个博客也依据他人的博客经验, 复制了使用Yolov5来训练自己的数据集, 我主要试图记录我自己的操作过程和问题, 以便我日后能为自己学习和观察。 我刚刚联系到深入的学习,
1. Yolov5 " githab " 密码克隆
1. 复制Yolov5网络项目
YOLOV5的代码创建者在 GitHub 上打开,打开了 Yolov5 GitHub 网络, 现在更新了六个分支, 我在这里使用 Yolov5-5。
1.2 项目代码结构概述
下载并解开 yolov5 代码, 然后用 pycharm IDE 程序打开它, 然后检查整个代码项目, 如下图所示 。
其中：
(1)数据:这主要用于储存各种参数外配置文件(这些文件(Yaml文件)需要用来界定训练成套材料和测试成套材料,以及鉴定成套材料的路径,其中也包括目标试验的种类和类型;还有试验的一些官方图像)。
(2) 模型:它主要包括配置文件和网络创建功能,分别由项目的四个不同版本(s、m、l和x)组成,如名称所示,这些版本的规模从快到慢不等,但准确性从低到高不等。
(3) 术语:工具类别功能与损失功能、计量功能、地块功能等保持同步。
(4) 加权:设定经过良好训练的加权参数。
我不知道你们在说什么 但我不确定你们在说什么 我不确定你们在说什么
我不知道你在谈论什么.py: 一个训练自己的数据集的功能。
抱歉, (7) test. py: 测试培训结果的函数 。
哦,我的上帝,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,对不起,
1.3 Yolov5要求配置深入学习环境和安装图书馆。
深度学习环境创建的细节可以在我的另一个博客(在Windows 系统下使用 Anaconda 系统安装一个 Pytoch+cuda 学习环境) 中找到, 包括细节, 然后打开 Yolov5 目录。 在文件中可以找到的 txt 文件是需要安装和匹配其版本需要的附属图书馆 。
最后,为了安装这些必要的图书馆,打开Pycharm终端命令界面,并做下行操作。
2. 数据集编制和训练前加权数
1.1 使用标签标签方式对数据进行两次标签标签和分类
(1) 由于目标测试的目的是监测学习情况,而且数据集必须贴上标签,我们使用标签来标记数据,详见我先前的博客(深入学习目标测试 -- -- 用标签标记我们自己的数据集)。 。
(2) Yolov5培训过程中需要的数据集是Yolo(txt)格式,但Yolov5在培训自己的数据集模型时使用Yolov5在培训自己的数据集模型时需要将数据集分为培训和验证数据集。 然后,我们需要将标记数据集格式化,我们需要将其分为一个培训和验证数据集,以培训我们自己的Yolov5模型,一个具体步骤可从我的另一个博客(深入的)获得。
(3) 如下图所示,将我们在Yolov5-5中分离的数据集的全部VOCdevkit档案放在项目0下。
2. 下载测试前加权数
YOLOV5-5.0为我们提供了各种培训前重量,以便根据需求选择不同版本的训练前重量(培训前重量越大,培训将产生越精确,考试率就越慢 ) 。 培训前重量可以通过这个网站下载,V5的匹配版本可以下载,我在这里使用的训练前重量是Yolov5x。
3、训练自己的模型
3. 1. 更改几个文件设置 。
培训前模式下载后,一旦对数据集格式进行翻译和分割,即可开始培训自己的数据集模型。在培训目标测试模型之前,必须调整两个 amml 文件的参数。一个是数据目录下的 amml 文件,另一个是模式目录下的 amml 文件。
(1) 更改数据目录中的山药文件。 I found the volc in the datatory. Yaml file, 复制了它,并将其重新命名为与您的工程有关的名称。 我在这里将我的名字改为 Weed. Yaml。 然后,它被放在同一个目录(数据)中,如下图所示。
请打开我们的副本 。 (yaml) (修改其中的参数, 首先对箭头 1 中的代码进行评论; 第二, 将箭头 2 修改到您数据集的路径( 需要培训和测试的数据集), 我填写相对路径或绝对路径 ; 第三, 将箭头 3 修改到要测试的类别数, 我的工程需要指定 7 个类别 ; 第四, 用箭头 4 填入要识别的类别( 必须使用英语 ) 。
(2) 修改模型表格中的Yaml 模型配置参数,其中我选择使用 Yolov5x。 这个训练前重量, 所以我们需要使用 yolov5x。 pt 文件中的等效参数。 例如, 上文步骤(1) 编辑数据目录下的山药文件, 在模型目录下插入 yolov5x。 pt 文件被复制、 重命名并粘贴到相同的目录中 。
Open yolov5xweed. 在 yaml 文档中, 更新红色框中的数字, 并添加要测试的类别数( 这里, 我属于7个类别, 并更改为 7 ), 如下图所示 。
三.2 开发自己的模式
程序完成后, 你可以开始Yolov5训练。 我们在这里打开火车。 Py 文件 。
单击文件内部并定位主函数,该函数包含模型的一些主要参数,如下文代码所示。
当训练自己的模型时,必须修改以下参数。 图表如下: 第一, 在相应的参数中填入加权路径; 第二, yolov5x_weed。 火药文件路径以相对参数填入; 第三, 杂草。 火药文件路径以相对参数填入。 这些参数必须修改。 如下图所示, 上述步骤与下面的1, 2 3 数字相对。
其中,可以调整培训周期,以满足个人的需求,我在此将培训周期定为150个。
修改完成后, 您可以运行列车。 Py 文件会训练自己的模型, 需要时间和耐心。 如果训练过程中发生错误, 请参看下面我的标题 5 。常见的一些报错问题 （请跳转至标题5），那里有解决方法。
3) 允许火龙看到参数。
YOLOV5 具有书面的 shorbord 函数, 可在训练完成后通过执行命令来调用, 然后再查看 shorbord, 详情如下: 打开Pycharm 的指挥控制终端, 输入以下命令, 以及下面的红框这样的网站, 将下面红框中的地址复制到浏览器, 以观察训练过程 。
如下图所示,打开正确的网站。
如果该模式已经经过培训,但我们想看到使用 " 高温 " 进行的培训过程,请给出以下指示。您可以检查该模式的培训结果。
4. 自行培训的模式用于鉴定身份。
在完成上述程序后,培训将在主目录中产生一个运行文件,运行/培训/扩展/重量目录中产生两个重量,一个用于最后周期,一个用于最佳重量目录,我们将利用这个最佳重量目录来测试逻辑,还将制作一些文件,例如认证文件的图像。
打开您在主目录中找到的检测文件。 Py 文件 。
单击文件内部并定位主函数,该函数包含模型的一些主要参数,如下文代码所示。
刚受训的最佳重量现在必须转移到推理功能,然后可以测试录像。
如下图所示,需要培训的图片/录像储存在数据目录图片目录目录(也可在数据目录下另设一个文件夹储存录像)中。
将以下参数放入图像/视频路径(在此示例中,如果设定为 0, 打开相机), 然后运行检测。 Py 运行测试 。
一旦测试推理测试完成, 将在运行目录下创建一个 detec 目录, 如图所示, 测试推理结果将保存在 Exp 目录中 。
以下图表说明了测试推理结果:
最后,我们利用Yolov5模型完成了测试识别和模型使用。
5. 经常报告错误。
(1) 培训时的低配置,视其个人计算机设置而定,可能导致高报通用通用计算机,具体如下:
因此,我们的想法是缩小这两个参数的范围, 因为每个人有一个不同的计算机设置, 它们可以根据他们自己的计算机配置进行更新。 我在这里把它修改为三和零。
(2) 有些用户在报告虚拟记录和档案管理不足时可能不正确。
解决方案: 将utils. py 文件第 81 行的参数 nw 更改为零, 以在 utils 文件夹下发现数据集 。
(3) 在照相机试验期间将图表路线改写为零就足够了,但似乎仍然不正确。
报错信息：
答案如下: 查找数据集. py 文件, 然后跟随图形 。
在程序里,查找第279行的代码,在字符串中添加两个url参数,并运行计算机相机,如图所示。
（4 ）Yolov5跑步时,有些不对劲..assert img0 is not None, ‘Image Not Found ‘ + pathAssertionError: Image Not Found。
将 utils/ datasets. P = str( Path( path) ) 在 py 文件中 。 Absolute () # os- 不可知绝对路径变为 p = str( Path( path) )
