YOLOv5的详细使用教程，以及使用yolov5训练自己的数据集

「爱情、让人受尽委屈。」 2022-09-14 09:28 1378阅读 0赞

### YOLOv5的详细使用教程，以及使用yolov5训练自己的数据集      文章目录： ###

*  [1 安装环境依赖][1]
 *   *  [1.1 克隆项目][1.1]
     *  [1.2 安装必要的环境依赖][1.2]
 *  [2 下载预训练模型和标注的数据集][2]
 *   *  [2.1 下载预训练模型][2.1]
     *   *  [2.1.1 执行脚本下载预训练模型][2.1.1]
         *  [2.1.2 直接下载预训练模型，然后保存到\`/yolov5/weights\`目录下即可，我已经把预训练模型的\`url\`提取出来][2.1.2 _yolov5_weights_url]
     *  [2.2 下载标注的数据集][2.2]
     *   *  [2.2.1 执行脚本下载][2.2.1]
         *  [2.2.2 如果下载比较慢，也可以通过url链接直接下载\`coco128.zip\`][2.2.2 _url_coco128.zip]
 *  [3 训练下载的coco128数据集][3 _coco128]
 *   *  [3.1 创建训练数据集的配置文件Dataset.yaml][3.1 _Dataset.yaml]
     *  [3.2 创建标签（Labels）][3.2 _Labels]
     *  [3.3 组织文件结构][3.3]
     *  [3.4 选择一个模型训练][3.4]
     *  [3.5 开始训练][3.5]
     *  [3.5.1 训练命令][3.5.1]
     *  [3.5.2 训练常见错误1][3.5.2 _1]
     *  [3.5.3 训练常见错误2][3.5.3 _2]
     *  [3.5.4 训练常见错误3][3.5.4 _3]
     *  [3.6 使用tensorboard可视化结果][3.6 _tensorboard]
     *  [3.7 测试][3.7]
 *  [4 训练自己的数据集][4]
 *   *  [4.1 准备数据集][4.1]
     *  [4.2 修改数据和模型配置文件][4.2]
     *   *  [4.2.1 修改数据配置文件][4.2.1]
         *  [4.2.2 修改模型配置文件][4.2.2]
     *  [4.3 训练自己的数据集][4.3]
     *  [4.3.1 使用yolovs.pt预训练模型进行训练][4.3.1 _yolovs.pt]
     *   *  [4.3.2 使用yolov5l.pt预训练模型进行训练][4.3.2 _yolov5l.pt]
     *  [4.4 使用训练好的预训练模型进行测试][4.4]
     *  [4.5 在Tensorbaord上查看数据的训练过程中的一些指标][4.5 _Tensorbaord]
 *  [5 推理测试][5]
 *   *  [5.1 图像推理测试][5.1]
     *  [5.2 目录推理测试][5.2]
     *  [5.3 视频推理测试][5.3]
     *  [5.4 网络摄像头推理测试][5.4]
     *  [5.5 http流推理测试][5.5 http]
     *  [5.6 rtsp流推理测试][5.6 rtsp]
 *  [6 可视化][6]
 *   *  [6.1 训练的模型的测试表现可视化][6.1]
     *  [6.2 训练损失和性能指标视化][6.2]

--------------------

**本人环境声明：**

*  `系统环境`：`Ubuntu18.04.1`
 *  `cuda版本`：`10.2.89`
 *  `cudnn版本`：`7.6.5`
 *  `torch版本`：`1.5.0`
 *  `torchvision版本`：`0.6.0`
 *  项目代码`yolov5`，[官网][Link 1]，项目开源的时间：`20200601`

--------------------

自定义数据集：

#    1 安装环境依赖 #

##    1.1 克隆项目 ##

> `git clone https://github.com/ultralytics/yolov5 # clone repo`

如果下载比较慢，建议使用下面的镜像下载：

> `git clone https://github.com.cnpmjs.org/ultralytics/yolov5 # clone repo`

##    1.2 安装必要的环境依赖 ##

官方给出的要求是：`python>=3.7`、`PyTorch>=1.5`，安装依赖：

> cd yolov5  
> pip install -U -r requirements.txt  
> requirements.txt

# pip install -U -r requirements.txt
    Cython
    numpy==1.17
    opencv-python
    torch>=1.5
    matplotlib
    pillow
    tensorboard
    PyYAML>=5.3
    torchvision
    scipy
    tqdm
    git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI
    
    # Nvidia Apex (optional) for mixed precision training --------------------------
    # git clone https://github.com/NVIDIA/apex && cd apex && pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" . --user && cd .. && rm -rf apex
    
    # Conda commands (in place of pip) ---------------------------------------------
    # conda update -yn base -c defaults conda
    # conda install -yc anaconda numpy opencv matplotlib tqdm pillow ipython
    # conda install -yc conda-forge scikit-image pycocotools tensorboard
    # conda install -yc spyder-ide spyder-line-profiler
    # conda install -yc pytorch pytorch torchvision
    # conda install -yc conda-forge protobuf numpy && pip install onnx  # https://github.com/onnx/onnx#linux-and-macos

#    2 下载预训练模型和标注的数据集 #

##    2.1 下载预训练模型 ##

###    2.1.1 执行脚本下载预训练模型 ###

`/yolov5/weights/download_weights.sh`脚本定义下载预训练模型，脚本代码内容如下：

#!/bin/bash
    # Download common models
    
    python3 -c "from utils.google_utils import *;
    attempt_download('weights/yolov5s.pt');
    attempt_download('weights/yolov5m.pt');
    attempt_download('weights/yolov5l.pt');
    attempt_download('weights/yolov5x.pt')"

`attempt_download函数`在`/yolov5/utils/google_utils.py`脚本中定义

###    2.1.2 直接下载预训练模型，然后保存到`/yolov5/weights`目录下即可，我已经把预训练模型的`url`提取出来 ###

大家直接在`google driver`中下载即可，地址（`可能需要科学上网`）：

> [点我——》带你去：][Link 2]`https://drive.google.com/drive/folders/1Drs_Aiu7xx6S-ix95f9kNsA6ueKRpN2J`

##    2.2 下载标注的数据集 ##

###    2.2.1 执行脚本下载 ###

> `python3 -c "from yolov5.utils.google_utils import gdrive_download; gdrive_download('1n_oKgR81BJtqk75b00eAjdv03qVCQn2f','coco128.zip')" # download dataset`

执行上面的代码，会下载：`coco128.zip`数据集，该数据是`COCO train2017`数据的一部分，只取了coco数据集中的128张标注的图片，coco128.zip下载完后解压到`/yolov5`目录下即可，解压后的coco128文件结构如下：

coco128
    |-- LICENSE
    |-- README.txt  # 相关说明
    |-- annotations  # 空目录
    |-- images   # 128张jpg图片
    `-- labels  # 128张标注的txt文件

`/yolov5/utils/google_utils.py`脚本是下载`预训练模型`和`标注的训练数据集`，该脚本代码内容如下：

# This file contains google utils: https://cloud.google.com/storage/docs/reference/libraries
    # pip install --upgrade google-cloud-storage
    # from google.cloud import storage
    
    import os
    import time
    from pathlib import Path
    
    
    def attempt_download(weights):
        # Attempt to download pretrained weights if not found locally
        weights = weights.strip()
        msg = weights + ' missing, try downloading from https://drive.google.com/drive/folders/1Drs_Aiu7xx6S-ix95f9kNsA6ueKRpN2J'
    
        r = 1
        if len(weights) > 0 and not os.path.isfile(weights):
            d = {'yolov3-spp.pt': '1mM67oNw4fZoIOL1c8M3hHmj66d8e-ni_',  # yolov3-spp.yaml
                 'yolov5s.pt': '1R5T6rIyy3lLwgFXNms8whc-387H0tMQO',  # yolov5s.yaml
                 'yolov5m.pt': '1vobuEExpWQVpXExsJ2w-Mbf3HJjWkQJr',  # yolov5m.yaml
                 'yolov5l.pt': '1hrlqD1Wdei7UT4OgT785BEk1JwnSvNEV',  # yolov5l.yaml
                 'yolov5x.pt': '1mM8aZJlWTxOg7BZJvNUMrTnA2AbeCVzS',  # yolov5x.yaml
                 }
    
            file = Path(weights).name
            if file in d:
                r = gdrive_download(id=d[file], name=weights)
    
            if not (r == 0 and os.path.exists(weights) and os.path.getsize(weights) > 1E6):  # weights exist and > 1MB
                os.remove(weights) if os.path.exists(weights) else None  # remove partial downloads
                s = "curl -L -o %s 'https://storage.googleapis.com/ultralytics/yolov5/ckpt/%s'" % (weights, file)
                r = os.system(s)  # execute, capture return values
    
                # Error check
                if not (r == 0 and os.path.exists(weights) and os.path.getsize(weights) > 1E6):  # weights exist and > 1MB
                    os.remove(weights) if os.path.exists(weights) else None  # remove partial downloads
                    raise Exception(msg)
    
    
    def gdrive_download(id='1HaXkef9z6y5l4vUnCYgdmEAj61c6bfWO', name='coco.zip'):
        # https://gist.github.com/tanaikech/f0f2d122e05bf5f971611258c22c110f
        # Downloads a file from Google Drive, accepting presented query
        # from utils.google_utils import *; gdrive_download()
        t = time.time()
    
        print('Downloading https://drive.google.com/uc?export=download&id=%s as %s... ' % (id, name), end='')
        os.remove(name) if os.path.exists(name) else None  # remove existing
        os.remove('cookie') if os.path.exists('cookie') else None
    
        # Attempt file download
        os.system("curl -c ./cookie -s -L \"https://drive.google.com/uc?export=download&id=%s\" > /dev/null" % id)
        if os.path.exists('cookie'):  # large file
            s = "curl -Lb ./cookie \"https://drive.google.com/uc?export=download&confirm=`awk '/download/ {print $NF}' ./cookie`&id=%s\" -o %s" % (
                id, name)
        else:  # small file
            s = "curl -s -L -o %s 'https://drive.google.com/uc?export=download&id=%s'" % (name, id)
        r = os.system(s)  # execute, capture return values
        os.remove('cookie') if os.path.exists('cookie') else None
    
        # Error check
        if r != 0:
            os.remove(name) if os.path.exists(name) else None  # remove partial
            print('Download error ')  # raise Exception('Download error')
            return r
    
        # Unzip if archive
        if name.endswith('.zip'):
            print('unzipping... ', end='')
            os.system('unzip -q %s' % name)  # unzip
            os.remove(name)  # remove zip to free space
    
        print('Done (%.1fs)' % (time.time() - t))
        return r
    
    # def upload_blob(bucket_name, source_file_name, destination_blob_name):
    #     # Uploads a file to a bucket
    #     # https://cloud.google.com/storage/docs/uploading-objects#storage-upload-object-python
    #
    #     storage_client = storage.Client()
    #     bucket = storage_client.get_bucket(bucket_name)
    #     blob = bucket.blob(destination_blob_name)
    #
    #     blob.upload_from_filename(source_file_name)
    #
    #     print('File {} uploaded to {}.'.format(
    #         source_file_name,
    #         destination_blob_name))
    #
    #
    # def download_blob(bucket_name, source_blob_name, destination_file_name):
    #     # Uploads a blob from a bucket
    #     storage_client = storage.Client()
    #     bucket = storage_client.get_bucket(bucket_name)
    #     blob = bucket.blob(source_blob_name)
    #
    #     blob.download_to_filename(destination_file_name)
    #
    #     print('Blob {} downloaded to {}.'.format(
    #         source_blob_name,
    #         destination_file_name))

###    2.2.2 如果下载比较慢，也可以通过url链接直接下载`coco128.zip` ###

> [点我——》带你去：][Link 3]https://drive.google.com/uc?export=download&id=1n\_oKgR81BJtqk75b00eAjdv03qVCQn2f

上面下载好预训练

准备好上面的环境和下载好文件之后，就可以开始自定义自己的数据集，进行训练啦！

#    3 训练下载的coco128数据集 #

##    3.1 创建训练数据集的配置文件Dataset.yaml ##

上面下载好`coco128.zip`小型数据集之后，这些数据集可以用于训练和验证  
/content/yolov5/models/yolov5l.yaml。`coco128.yaml`中定义了：

*  训练图片的路径（或训练图片列表的`.txt`文件）
 *  与验证集相同的图片
 *  目标的类别数
 *  类名列表

下面是`/data/coco128.yaml`文件中定义的内容：

# COCO 2017 dataset http://cocodataset.org - first 128 training images
    # Download command:  python -c "from yolov5.utils.google_utils import gdrive_download; gdrive_download('1n_oKgR81BJtqk75b00eAjdv03qVCQn2f','coco128.zip')"
    # Train command: python train.py --data ./data/coco128.yaml
    # Dataset should be placed next to yolov5 folder:
    #   /parent_folder
    #     /coco128
    #     /yolov5
    
    
    # 训练集和验证集 （图片的目录路径或 *.txt图片路径）
    train: ../coco128/images/train2017/
    val: ../coco128/images/train2017/
    
    # 类别数 number of classes
    nc: 80
    
    # 类别列表 class names
    names: ['person', 'bicycle', 'car', 'motorcycle', 'airplane', 'bus', 'train', 'truck', 'boat', 'traffic light',
            'fire hydrant', 'stop sign', 'parking meter', 'bench', 'bird', 'cat', 'dog', 'horse', 'sheep', 'cow',
            'elephant', 'bear', 'zebra', 'giraffe', 'backpack', 'umbrella', 'handbag', 'tie', 'suitcase', 'frisbee',
            'skis', 'snowboard', 'sports ball', 'kite', 'baseball bat', 'baseball glove', 'skateboard', 'surfboard',
            'tennis racket', 'bottle', 'wine glass', 'cup', 'fork', 'knife', 'spoon', 'bowl', 'banana', 'apple',
            'sandwich', 'orange', 'broccoli', 'carrot', 'hot dog', 'pizza', 'donut', 'cake', 'chair', 'couch',
            'potted plant', 'bed', 'dining table', 'toilet', 'tv', 'laptop', 'mouse', 'remote', 'keyboard', 'cell phone',
            'microwave', 'oven', 'toaster', 'sink', 'refrigerator', 'book', 'clock', 'vase', 'scissors', 'teddy bear',
            'hair drier', 'toothbrush']

##    3.2 创建标签（Labels） ##

对数据集进行`打标签`，可以选择如下两种打标工具：

*  [Labelbox][]
 *  [CVAT][]
 *  也可以使用LabelImg，选用ylolo格式进行标注

将标签导出为`darknet格式`，每个标注图像有一个`*.txt文件`（如果图像中没有对象，则不需要`*.txt文件`），`*.txt文件`格式如下：

*  每行一个对象
 *  每行都是：`class x_center y_center width height`格式
 *  框的坐标格式必须采用`归一化格式的xywh（从0到1）`，如果你框以像素为单位，则将`x_center和width除以图像宽度`，将`y_center和height除以图像的高度`
 *  类别是从`索引0`开始的

通过在器路径名中将`/images/*.jpg`替换为`/label/*.txt`，可以定位每个图像的标签文件，示例图像和标签对为：

dataset/images/train2017/000000109622.jpg  # image
    dataset/labels/train2017/000000109622.txt  # label

例如：`000000000009.txt`标签文件，表示`000000000009.jpg图片`中标注了8个目标：

45 0.479492 0.688771 0.955609 0.5955
    45 0.736516 0.247188 0.498875 0.476417
    50 0.637063 0.732938 0.494125 0.510583
    45 0.339438 0.418896 0.678875 0.7815
    49 0.646836 0.132552 0.118047 0.096937
    49 0.773148 0.129802 0.090734 0.097229
    49 0.668297 0.226906 0.131281 0.146896
    49 0.642859 0.079219 0.148063 0.148062

##    3.3 组织文件结构 ##

根据下图整理自己的训练集和验证集图片及标签。注意：`/coco128`目录应该和`yolov5`目录同级，同时确保`coco128/labels`和`coco128/images`两个目录同级！  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70]

##    3.4 选择一个模型训练 ##

上面已经修改了自定义数据集的配置文件，同时组织好了数据。下面就可以选择一个模型进行训练了。

从`./models`目录下选择一个模型的配置文件，这里我们选择`yolov5s.ymal`，这是一个`最小最快`的模型。关于其他模型之间的比较下面介绍。选择好模型之后，如果你使用的不是coco数据集进行训练，而是自定义的数据集，此时只需要修改`*.yaml配置文件`中的`nc: 80`参数和`数据的类别列表`

下面是`yolo5s.ymal`配置文件的内容：

# parameters
    nc: 80  # number of classes
    depth_multiple: 0.33  # model depth multiple
    width_multiple: 0.50  # layer channel multiple
    
    # anchors
    anchors:
      - [116,90, 156,198, 373,326]  # P5/32
      - [30,61, 62,45, 59,119]  # P4/16
      - [10,13, 16,30, 33,23]  # P3/8
    
    # YOLOv5 backbone
    backbone:
      # [from, number, module, args]
      [[-1, 1, Focus, [64, 3]],  # 0-P1/2
       [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
       [-1, 3, BottleneckCSP, [128]],
       [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
       [-1, 9, BottleneckCSP, [256]],
       [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
       [-1, 9, BottleneckCSP, [512]],
       [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
       [-1, 1, SPP, [1024, [5, 9, 13]]],
      ]
    
    # YOLOv5 head
    head:
      [[-1, 3, BottleneckCSP, [1024, False]],  # 9
    
       [-1, 1, Conv, [512, 1, 1]],
       [-1, 1, nn.Upsample, [None, 2, 'nearest']],
       [[-1, 6], 1, Concat, [1]],  # cat backbone P4
       [-1, 3, BottleneckCSP, [512, False]],  # 13
    
       [-1, 1, Conv, [256, 1, 1]],
       [-1, 1, nn.Upsample, [None, 2, 'nearest']],
       [[-1, 4], 1, Concat, [1]],  # cat backbone P3
       [-1, 3, BottleneckCSP, [256, False]],
       [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]],  # 18 (P3/8-small)
    
       [-2, 1, Conv, [256, 3, 2]],
       [[-1, 14], 1, Concat, [1]],  # cat head P4
       [-1, 3, BottleneckCSP, [512, False]],
       [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]],  # 22 (P4/16-medium)
    
       [-2, 1, Conv, [512, 3, 2]],
       [[-1, 10], 1, Concat, [1]],  # cat head P5
       [-1, 3, BottleneckCSP, [1024, False]],
       [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]],  # 26 (P5/32-large)
    
       [[], 1, Detect, [nc, anchors]],  # Detect(P5, P4, P3)
      ]

`yolov5s.yaml配置文件`中主要定义了：

*  参数（parameters）：类别等
 *  anchor
 *  YOLOv5 backbone
 *  YOLOv5 head

##    3.5 开始训练 ##

##    3.5.1 训练命令 ##

**`上面一切准备就绪，可以开始训练啦`**

运行下面的命令训练`coco128.ymal`，训练5epochs。可以有两种训练方式，如下参数：

*  `--cfg yolov5s.yaml --weights ''`：从头开始训练
 *  `--cfg yolov5s.yaml --weights yolov5s.pt`：从预训练的模型加载开始训练

YOLOv5在coco128上训练5epochs的命令：

> `python train.py --img 640 --batch 16 --epochs 5 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights ''`

训练的更多可选参数：

*  `--epochs`：训练的epoch，`默认值300`
 *  `--batch-size`：`默认值16`
 *  `--cfg`：模型的配置文件，`默认为yolov5s.yaml`
 *  `--data`：数据集的配置文件，`默认为data/coco128.yaml`
 *  `--img-size`：训练和测试输入大小，`默认为[640, 640]`
 *  `--rect`：rectangular training，`布尔值`
 *  `--resume`：是否从`最新的last.pt`中恢复训练，`布尔值`
 *  `--nosave`：仅仅保存最后的checkpoint，`布尔值`
 *  `--notest`：仅仅在最后的epoch上测试，`布尔值`
 *  `--evolve`：进化超参数（evolve hyperparameters），`布尔值`
 *  `--bucket`：gsutil bucket，`默认值''`
 *  `--cache-images`：缓存图片可以更快的开始训练，`布尔值`
 *  `--weights`：初始化参数路径，`默认值''`
 *  `--name`：如果提供，将`results.txt`重命名为`results_name.txt`
 *  `--device`：cuda设备，例如：`0或0,1,2,3或cpu`，`默认''`
 *  `--adam`：使用`adam优化器`，`布尔值`
 *  `--multi-scale`：改变图片尺寸img-size `+/0- 50%`，`布尔值`
 *  `--single-cls`：训练`单个类别`的数据集，`布尔值`

##    3.5.2 训练常见错误1 ##

1、执行训练命令报错：`RuntimeError: Model replicas must have an equal number of parameters.`，错误显示，模型的副本必须有相同的参数

2、解决方式：  
这个可能是由于Pytorch的版本问题导致的错误，我的torch版本为`15.0`，把版本降为`1.4.0`即可（[参考][Link 4]）：

> `pip install torch==1.4.0+cu100 torchvision==0.5.0+cu100 -f https://download.pytorch.org/whl/torch_stable.html`

##    3.5.3 训练常见错误2 ##

1、执行训练命令报错：`ModuleNotFoundError: No module named 'yaml'`

2、解决方式：  
这是由于没有安装`yaml`库包错误，虽然导入是：`import yaml`，但是安装的名字却不是`yaml`，下面是正确安装yaml：

> `pip install PyYAML`

##    3.5.4 训练常见错误3 ##

1、执行训练命令报错：`AttributeError: 'DistributedDataParallel' object has no attribute 'model'`

2、错误解决方式：  
这个是由于`--device`的默认值为`''`，此时默认会使用多GPU进行训练，但是多GPU训练时就会出现上面这个问题，这可能时一个bug（[参考][Link 5]），解决方式就是使用单GPU，把训练命令改成如下：

> `python train.py --img 640 --batch 16 --epochs 5 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights '' --device 0`

##    3.6 使用tensorboard可视化结果 ##

在yolov5目录下，使用：

> `tensorboard --logdir=runs`

然后把返回的url地址粘贴到浏览器中即可！我测试显示结果如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 1]

**注意：**  
如果返回`拒绝了我们的请求`，可以在tensorboard的后面加上参数`--port ip`：

> `tensorboard --logdir=runs --host=192.168.0.134`

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 2]

##    3.7 测试 ##

测试的更多可选参数：

*  `--weights` ：预训练模型路径，默认值`weights/yolov5s.pt`
 *  `--data`：数据集的配置文件，`默认为data/coco.yaml`
 *  `--batch-size`：`默认值32`
 *  `--img-size`：推理大小（`pixels`），默认`640`
 *  `--conf-thres`：目标置信度阈值，默认`0.001`
 *  `--iou-thres`：NMS的IOU阈值，默认`0.65`
 *  `--save-json`：把结果保存为cocoapi-compatible的json文件
 *  `--task`：默认`val`，可选其他值：`val, test, study`
 *  `--device`：cuda设备，例如：`0或0,1,2,3或cpu`，`默认''`
 *  `--half`：半精度的FP16推理
 *  `--single-cls`：将其视为单类别，`布尔值`
 *  `--augment`：增强推理，布尔值
 *  `--verbose`：显示`类别的mAP`，`布尔值`

测试命令示例：

> `python test.py --weights yolov5s.pt --data ./data/coco.yaml --img 640`

#    4 训练自己的数据集 #

数据准备有两种方式：

*  一种是直接指定训练集和测试集图片的路径（`本文使用的这种方法`）
 *  另外一种是给出训练和测试集图片的txt文件

##    4.1 准备数据集 ##

`yolov5`中的数据集的标签都是保存为`YOLO格式`的`txt`文件的，关于：

*  怎么标注数据集
 *  VOC数据和YOLO数据格式时是什么样的
 *  怎么把VOC格式数据转化为YOLO格式数据
 *  以及VOC格式和YOLO格式相互转化计算过程

请`参考`：[这篇博客][Link 6]，这里不在赘述！！！

数据集标注好之后，存放如下目录格式：

(yolov5) shl@zfcv:~/shl/yolov5$ tree hat_hair_beard
    hat_hair_beard
    ├── images
    │   ├── train2017        # 训练集图片，这里我只列举几张示例
    │   │   ├── 000050.jpg
    │   │   ├── 000051.jpg
    │   │   └── 000052.jpg
    │   └── val2017          # 验证集图片
    │       ├── 001800.jpg
    │       ├── 001801.jpg
    │       └── 001802.jpg
    └── labels               
        ├── train2017       # 训练集的标签文件
        │   ├── 000050.txt
        │   ├── 000051.txt
        │   └── 000052.txt
        └── val2017         # 验证集的标签文件
            ├── 001800.txt
            ├── 001801.txt
            └── 001802.txt
    
    6 directories, 13 files
    (yolov5) shl@zfcv:~/shl/yolov5$

*  had\_hair\_beard：存放数据的目录，该目录位于`yolov5目录下`
 *  images：目录下存放的是图片，包含训练集和验证集图片
 *  labels：目录下存放的是标签文件，包含训练集和验证集图片对应的标签文件

按照上面的结构组织好`数据的目录结构`，然后就可以修改一些训练相关的文件了！

##    4.2 修改数据和模型配置文件 ##

###    4.2.1 修改数据配置文件 ###

原先的配置文件为：`./yolov5/data/coco128.yaml`，该文件中内容为：

(yolov5) shl@zfcv:~/shl/yolov5/data$ ls
    Annotations   coco.yaml        hat_hair_beard.yaml  JPEGImages
    coco128.yaml  get_coco2017.sh  ImageSets            VOC2007
    (yolov5) shl@zfcv:~/shl/yolov5/data$ cat coco128.yaml
    # COCO 2017 dataset http://cocodataset.org - first 128 training images
    # Download command:  python -c "from yolov5.utils.google_utils import gdrive_download; gdrive_download('1n_oKgR81BJtqk75b00eAjdv03qVCQn2f','coco128.zip')"
    # Train command: python train.py --data ./data/coco128.yaml
    # Dataset should be placed next to yolov5 folder:
    #   /parent_folder
    #     /coco128
    #     /yolov5
    
    
    # train and val datasets (image directory or *.txt file with image paths)
    train: ../coco128/images/train2017/
    val: ../coco128/images/train2017/
    
    # number of classes
    nc: 80
    
    # class names
    names: ['person', 'bicycle', 'car', 'motorcycle', 'airplane', 'bus', 'train', 'truck', 'boat', 'traffic light',
            'fire hydrant', 'stop sign', 'parking meter', 'bench', 'bird', 'cat', 'dog', 'horse', 'sheep', 'cow',
            'elephant', 'bear', 'zebra', 'giraffe', 'backpack', 'umbrella', 'handbag', 'tie', 'suitcase', 'frisbee',
            'skis', 'snowboard', 'sports ball', 'kite', 'baseball bat', 'baseball glove', 'skateboard', 'surfboard',
            'tennis racket', 'bottle', 'wine glass', 'cup', 'fork', 'knife', 'spoon', 'bowl', 'banana', 'apple',
            'sandwich', 'orange', 'broccoli', 'carrot', 'hot dog', 'pizza', 'donut', 'cake', 'chair', 'couch',
            'potted plant', 'bed', 'dining table', 'toilet', 'tv', 'laptop', 'mouse', 'remote', 'keyboard', 'cell phone',
            'microwave', 'oven', 'toaster', 'sink', 'refrigerator', 'book', 'clock', 'vase', 'scissors', 'teddy bear',
            'hair drier', 'toothbrush'](yolov5) shl@zfcv:~/shl/yolov5/data$

我们把该文件拷贝一份（这是我个人的习惯，你也可以不改，直接在coco128.yaml文件中进修改）

> `cp coco128.yaml hat_hair_beard.yaml`

然后在`hat_hair_beard.yaml`中需要修改`3处内容`：

1、`训练集和验证集图片的路径`

train: /home/shl/shl/yolov5/hat_hair_beard/images/train2017
    val: /home/shl/shl/yolov5/hat_hair_beard/images/val2017

**`注意：`**

> `最好用绝对路径，我在使用相对路径的时候报错，说路径存在`

2、修改`类别数nc`

> `nc=7` \#我数据集一共分7个类别

3、修改类别列表，把类别修改为自己的类别

> `names: ['hard_hat', 'other', 'regular', 'long_hair', 'braid', 'bald', 'beard']`

修改后的`hat_hair_beard.yaml`完整配置内容如下：

###    4.2.2 修改模型配置文件 ###

修改模型配置文件，这里我使用的是`yolov5/models/yolov5s.yaml模型的配置文件`，个人习惯我还是把改配置文件拷贝一份，为：`hat_hair_beard_yolov5s.yaml`（你也可以不改，直接在yolov5.yaml中修改）  
![在这里插入图片描述][20200804151815737.png]  
`yolov5s.yaml`配置文件中原内容为：

(yolov5) shl@zfcv:~/shl/yolov5/models$ cat yolov5s.yaml
    # parameters
    nc: 80  # number of classes
    depth_multiple: 0.33  # model depth multiple
    width_multiple: 0.50  # layer channel multiple
    
    # anchors
    anchors:
      - [10,13, 16,30, 33,23]  # P3/8
      - [30,61, 62,45, 59,119]  # P4/16
      - [116,90, 156,198, 373,326]  # P5/32
    
    # yolov5 backbone
    backbone:
      # [from, number, module, args]
      [[-1, 1, Focus, [64, 3]],  # 1-P1/2
       [-1, 1, Conv, [128, 3, 2]],  # 2-P2/4
       [-1, 3, Bottleneck, [128]],
       [-1, 1, Conv, [256, 3, 2]],  # 4-P3/8
       [-1, 9, BottleneckCSP, [256]],
       [-1, 1, Conv, [512, 3, 2]],  # 6-P4/16
       [-1, 9, BottleneckCSP, [512]],
       [-1, 1, Conv, [1024, 3, 2]], # 8-P5/32
       [-1, 1, SPP, [1024, [5, 9, 13]]],
       [-1, 6, BottleneckCSP, [1024]],  # 10
      ]
    
    # yolov5 head
    head:
      [[-1, 3, BottleneckCSP, [1024, False]],  # 11
       [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]],  # 12 (P5/32-large)
    
       [-2, 1, nn.Upsample, [None, 2, 'nearest']],
       [[-1, 6], 1, Concat, [1]],  # cat backbone P4
       [-1, 1, Conv, [512, 1, 1]],
       [-1, 3, BottleneckCSP, [512, False]],
       [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]],  # 17 (P4/16-medium)
    
       [-2, 1, nn.Upsample, [None, 2, 'nearest']],
       [[-1, 4], 1, Concat, [1]],  # cat backbone P3
       [-1, 1, Conv, [256, 1, 1]],
       [-1, 3, BottleneckCSP, [256, False]],
       [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]],  # 22 (P3/8-small)
    
       [[], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
      ]
    (yolov5) shl@zfcv:~/shl/yolov5/models$

因此，在`hat_hair_beard.yaml`中只需要修改`一处`，把`nc`修改为自己的`类别数`即可

> `nc : 7`

上面`数据的准备`和`配置文件的修改`全部准备好之后，就可以`开始训练了！！！`

##    4.3 训练自己的数据集 ##

##    4.3.1 使用yolovs.pt预训练模型进行训练 ##

训练命令：

> `python train.py --img 640 --batch 16 --epochs 300 --data ./data/hat_hair_beard.yaml --cfg ./models/hat_hair_beard_yolov5s.yaml --weights ./weights/yolov5s.pt --device 1`

关于参数的介绍，上面已经介绍了，这里不再赘述

`正常训练，如下图：`  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 3]

训练结束后，会生成两个预训练的模型：

*  `best.pt`：保存的是中间一共比较好模型
 *  `last.pt`：训练结束后保存的最后模型

我把最终训练的模型保存拷贝一份，防止下载再训练给覆盖，白白训练！  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 4]

**`注意：`**

当使用`--device`参数设置`多GPU进行训练时`，可能会报错：`RuntimeError: Model replicas must have an equal number of parameters.` 具体错误如下图，会报错的命令：

*  `--device 1`：指定单个GPU不会报错
 *  `--device 1,2,3`：当使用两个以上的GPU会报错
 *  官方的[iusses解决方式][Link 4]：把torch的把那本更新为`torch1.4`，而我的`torch为1.5版本`

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 5]

###    4.3.2 使用yolov5l.pt预训练模型进行训练 ###

这是用yolov5l.pt预训练模型训练的效果  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70_pic_center]

可以看到，使用`yolov5l.pt预训练模型`，保存的最终模型和最优模型都比较大：

*  `best.pt`：382M
 *  `last.pt`：192M

##    4.4 使用训练好的预训练模型进行测试 ##

1、`单张图片`测试命令：

> `python detect.py --source inference/1_input/1_img/hat3.jpg --we ights ./weights/last_hat_hair_beard_20200804.pt --output inference/2_output/1_img/ --device 1`

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 6]

原图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 7]

测试结果图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 8]  
从结果可以看到，置信度还是很高的，而且目标都检测到了！（保存的结果图片，会把上一此保存的测试结果图删了，最终只保存最后一侧测试的结果图）

2、图片目录测试

> `python detect.py --source inference/1_input/2_imgs_hat --weights ./weights/last_hat_hair_beard_20200804.pt --output inference/2_output/2_imgs_hat --device 1`

下面是测试图片集的效果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 9]

##    4.5 在Tensorbaord上查看数据的训练过程中的一些指标 ##

使用如下命令，然后在浏览器中查看一些数据指标的可视化图

> `tensorbaord --logdir=runs`

1、scalars  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70_pic_center 1]

2、images  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70_pic_center 2]

#    5 推理测试 #

使用预训练的模型进行推理测试，`YOLOv5`支持多种数据源推理测试，如下：

*  图像
 *  目录
 *  视频
 *  网络摄像头
 *  http流
 *  rtsp流

使用`python detect.py`进行推理，关于推理的更多参数使用如下命令查看：

> `python detect.py -h`

*  `--weights` ：预训练模型`.pt`的路径，默认值为：`weights/yolov5s.pt`
 *  `--source`：输入的数据源，可以是：`图片、目录、视频、网络摄像头、http和rtsp流`，默认值为：`interence/images`
 *  `--output`： 输出检测结果的路径，默认值为：`inference/output`
 *  `--img-size` ：用于推理图片的大小（`pixels`），默认值为：`640`
 *  `--conf-thres`：对象的`置信度阈值`（object confidence threshold），默认值为：`0.4`
 *  `--iou-thres` ：NMS的IOU阈值（ IOU threshold for NMS），默认值为：`0.5`
 *  `--fourcc`：输出视频的编码格式（必须是ffmepeg支持的），例如：`H264`格式，默认格式为：`mp4v`
 *  `--half`： 使用版精度`F16`推理（half precision FP16 inference），`布尔值，默认为true`
 *  `--device`：cuda设备，例如：`0或0,1,2,3或cpu`，`默认''`
 *  `--view-img` ：显示结果，‘布尔值，默认为true’
 *  `--save-txt` ：把结果保存到`*.txt`文件中
 *  `--classes`：过滤类别 CLASSES \[CLASSES …\]，filter by class
 *  `--agnostic-nms`：类不可知 NMS
 *  `--augment`：增强推理（augmented inference）

我把自己的推理的输出和输入组织成如下文件结构：

(yolov5) shl@zfcv:~/shl/yolov5/inference$ tree -L 2
    .
    ├── 1_input   # 输入
    │   ├── 1_img
    │   ├── 2_imgs
    │   ├── 3_video
    │   ├── 4_Webcam
    │   ├── 5_http 
    │   └── 6_rtsp
    └── 2_output  # 输出
        ├── 1_img
        ├── 2_imgs
        ├── 3_video
        ├── 4_Webcam
        ├── 5_http
        └── 6_rtsp

##    5.1 图像推理测试 ##

1、推理图片命令

> `python detect.py --source inference/1_input/1_img/bus.jpg --weights ./weights/yolov5s.pt --output inference/2_output/1_img/`

直接指定输出结果保存的目录即可，保存名字和输入图片命令相同！  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 10]  
2、测试结果如下

测试图片：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 11]  
测试结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 12]

##    5.2 目录推理测试 ##

1、推理目录下图片集命令

> `python detect.py --source inference/1_input/2_imgs --weights ./weights/yolov5s.pt --output inference/2_output/2_imgs`

2、测试结果如下  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 13]

如果检测中有些图片置信度比较低的可以通过`--conf-thres`参数过滤掉，例如：

> `python detect.py --source inference/1_input/2_imgs --weights ./weights/yolov5s.pt --output inference/2_output/2_imgs --conf-thres 0.8`

默认`--conf-thres的值为0.4`，如果我们把置信度的阈值设置为`0.8`，此时在下面的这图中就`看不到`检测目标的框！  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 14]

##    5.3 视频推理测试 ##

1、推理视频命令

> `python detect.py --source test.mp4 --weights ./weights/yolov5s.pt --output test_result/3_video`

如果想指定输出视频的`fourcc格式`，用如下命令：

> `python detect.py --source test.mp4 --weights ./weights/yolov5s.pt --output test_result/3_video --fourcc H264`

关于`ffmeg`支持的`fourcc`格式（[参考][Link 7]），注意：`视频的格式必须时四个字符长度`

2、推理视频结果

本来我是想上传视频的，但是`CSDN`目前只支持`腾讯`、`优酷`、`哔哩哔哩`，没有自己的视频服务器，如果上传还需要等待审核，比较慢，我我就直接放个gif动图，大家简单看下效果吧，又由于`CSDN限制上传图片小于5M`，因此只能截取不到1秒（泪奔，我不想再去压缩一下，费劲）：  
![在这里插入图片描述][20200713163142126.gif]

##    5.4 网络摄像头推理测试 ##

##    5.5 http流推理测试 ##

##    5.6 rtsp流推理测试 ##

推理测试命令：

# 示例语法（不要运行此单元格）
    python detect.py --source ./file.jpg  # 图片 
                              ./file.mp4  # 视频
                              ./dir  # 目录
                              0  # 网络摄像头
          'rtsp://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa' # rtsp流
          'http://112.50.243.8/PLTV/88888888/224/3221225900/1.m3u8'  # http流

#    6 可视化 #

##    6.1 训练的模型的测试表现可视化 ##

1、训练开始后，浏览`train*.jpg`图像查看训练的图片（training images）、标签（labels）和数据增强的结果。注意：`mosaic`数据增强的数据用于训练（增强图片如下图所示），这是由`UItralytics`在`YOLOv4`中创建的一种图像数据增强方法。如果你发现你标注的标签有不正确的，你应该回去重新标注！

> `Image(filename='./train_batch1.jpg', width=900)` \# view augmented training mosaics

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 15]

2、第一个epoch完成之后，查看`test_batch0_gt.jpg`，可以看到测试`batch 0 ground truth`的标签，如下图所示：

> `Image(filename='./test_batch0_gt.jpg', width=900)` \# view test image labels

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 16]

3、通过查看`test_batch0_pred.jpg`来查看`test batch 0 predictions`，结果下图所示：

> `Image(filename='./test_batch0_pred.jpg', width=900)` \# view test image predictions

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 17]

##    6.2 训练损失和性能指标视化 ##

训练损失（training losses）和性能指标（performance metrrics）被保存到`Tensorboard`和`results.txt`日志文件中。`result.txt`绘制训练完成之后的结果，保存为`result.png`。可以使用如下代码，绘制部分完成的`results.txt`

from utils.utils import plot_results; plot_results()  # plot results.txt as results.png
    Image(filename='./results.png', width=1000)  # view results.png

这里我们显示`YOLOv5s`在`coco128`上训练`100 epochs`：

*  `橘黄色曲线`：是从头开始训练
 *  `蓝色曲线`：从`预训练`的`yolov5s.pt权重`开始训练，

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 18]

[参考1][1 1]  
[参考2][2 1]  
[参考3][3]

[1]: https://blog.csdn.net/weixin_41010198/article/details/106785253#1__25
[1.1]: https://blog.csdn.net/weixin_41010198/article/details/106785253#11__28
[1.2]: https://blog.csdn.net/weixin_41010198/article/details/106785253#12__35
[2]: https://blog.csdn.net/weixin_41010198/article/details/106785253#2__68
[2.1]: https://blog.csdn.net/weixin_41010198/article/details/106785253#21__70
[2.1.1]: https://blog.csdn.net/weixin_41010198/article/details/106785253#211__72
[2.1.2 _yolov5_weights_url]: https://blog.csdn.net/weixin_41010198/article/details/106785253#212_yolov5weightsurl_86
[2.2]: https://blog.csdn.net/weixin_41010198/article/details/106785253#22__92
[2.2.1]: https://blog.csdn.net/weixin_41010198/article/details/106785253#221__93
[2.2.2 _url_coco128.zip]: https://blog.csdn.net/weixin_41010198/article/details/106785253#222_urlcoco128zip_211
[3 _coco128]: https://blog.csdn.net/weixin_41010198/article/details/106785253#3_coco128_219
[3.1 _Dataset.yaml]: https://blog.csdn.net/weixin_41010198/article/details/106785253#31__Datasetyaml_220
[3.2 _Labels]: https://blog.csdn.net/weixin_41010198/article/details/106785253#32_Labels_259
[3.3]: https://blog.csdn.net/weixin_41010198/article/details/106785253#33__290
[3.4]: https://blog.csdn.net/weixin_41010198/article/details/106785253#34__294
[3.5]: https://blog.csdn.net/weixin_41010198/article/details/106785253#35__362
[3.5.1]: https://blog.csdn.net/weixin_41010198/article/details/106785253#351__364
[3.5.2 _1]: https://blog.csdn.net/weixin_41010198/article/details/106785253#352_1_398
[3.5.3 _2]: https://blog.csdn.net/weixin_41010198/article/details/106785253#353_2_406
[3.5.4 _3]: https://blog.csdn.net/weixin_41010198/article/details/106785253#354_3_413
[3.6 _tensorboard]: https://blog.csdn.net/weixin_41010198/article/details/106785253#36_tensorboard_421
[3.7]: https://blog.csdn.net/weixin_41010198/article/details/106785253#37__435
[4]: https://blog.csdn.net/weixin_41010198/article/details/106785253#4__458
[4.1]: https://blog.csdn.net/weixin_41010198/article/details/106785253#41__464
[4.2]: https://blog.csdn.net/weixin_41010198/article/details/106785253#42__507
[4.2.1]: https://blog.csdn.net/weixin_41010198/article/details/106785253#421__508
[4.2.2]: https://blog.csdn.net/weixin_41010198/article/details/106785253#422__593
[4.3]: https://blog.csdn.net/weixin_41010198/article/details/106785253#43__654
[4.3.1 _yolovs.pt]: https://blog.csdn.net/weixin_41010198/article/details/106785253#431_yolovspt_655
[4.3.2 _yolov5l.pt]: https://blog.csdn.net/weixin_41010198/article/details/106785253#432_yolov5lpt_683
[4.4]: https://blog.csdn.net/weixin_41010198/article/details/106785253#44__692
[4.5 _Tensorbaord]: https://blog.csdn.net/weixin_41010198/article/details/106785253#45_Tensorbaord_718
[5]: https://blog.csdn.net/weixin_41010198/article/details/106785253#5__733
[5.1]: https://blog.csdn.net/weixin_41010198/article/details/106785253#51__782
[5.2]: https://blog.csdn.net/weixin_41010198/article/details/106785253#52__795
[5.3]: https://blog.csdn.net/weixin_41010198/article/details/106785253#53__807
[5.4]: https://blog.csdn.net/weixin_41010198/article/details/106785253#54__822
[5.5 http]: https://blog.csdn.net/weixin_41010198/article/details/106785253#55_http_825
[5.6 rtsp]: https://blog.csdn.net/weixin_41010198/article/details/106785253#56_rtsp_828
[6]: https://blog.csdn.net/weixin_41010198/article/details/106785253#6__842
[6.1]: https://blog.csdn.net/weixin_41010198/article/details/106785253#61__844
[6.2]: https://blog.csdn.net/weixin_41010198/article/details/106785253#62__862
[Link 1]: https://github.com/ultralytics/yolov5
[Link 2]: https://drive.google.com/drive/folders/1Drs_Aiu7xx6S-ix95f9kNsA6ueKRpN2J
[Link 3]: https://drive.google.com/uc?export=download&id=1n_oKgR81BJtqk75b00eAjdv03qVCQn2f
[Labelbox]: https://labelbox.com/
[CVAT]: https://github.com/opencv/cvat
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70]: /images/20220828/0df95644b6774e5398f15efe3cd3694e.png
[Link 4]: https://github.com/ultralytics/yolov5/issues/11
[Link 5]: https://github.com/ultralytics/yolov5/issues/90
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 1]: /images/20220828/8cccb8f8529a42aabf2682031355cce9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 2]: /images/20220828/1fc82558708a4d0bb9e2562e5b79938a.png
[Link 6]: https://shliang.blog.csdn.net/article/details/107175968
[20200804151815737.png]: /images/20220828/e2cd84f046b7431eb0f75bda83deaca0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 3]: /images/20220828/ddd209e33a8e47ce8b690e61c30f906d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 4]: /images/20220828/9581f8373b174f5380d9a59e00557070.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 5]: /images/20220828/30bd8ed9f4be4e28a709409d1f4d979c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70_pic_center]: /images/20220828/15b3b50399d944e298663a20927a4752.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 6]: /images/20220828/40270b83c1eb427389740c265119237c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 7]: /images/20220828/6e25777f20b441ddaad7d6f7174c26ac.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 8]: /images/20220828/aef5afb3f6db4726bde351c30d7ef104.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 9]: /images/20220828/79c5525285b14819b4de1c0b7c5f889e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20220828/ff275980dc5841ff9c01923e7d51e548.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20220828/f58e53f9dc0c4895a948ccc561cc3017.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 10]: /images/20220828/09dd928ecbfb4b5d9c25a8599187a70c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 11]: /images/20220828/ddda7ee66676491d90395855cfc896c8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 12]: /images/20220828/e9155b28bd79433680653f049e148b20.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 13]: /images/20220828/37bdc14afb1e405a9bfce7571bf32151.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 14]: /images/20220828/efc240527b48471da5a5cb6a50403af1.png
[Link 7]: https://blog.csdn.net/u013943420/article/details/78779197
[20200713163142126.gif]: /images/20220828/2e9af4f85fba4b03885c4b7b30633266.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 15]: /images/20220828/dbfb311b20c6481ea3cb6a3dfd3bf101.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 16]: /images/20220828/24e0253389e142c08b9ffd5f24a27fb6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 17]: /images/20220828/963acf2d2ebf4fd485ff5f0159acdc76.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTAxMDE5OA_size_16_color_FFFFFF_t_70 18]: /images/20220828/1de8e2fb09a749b49e49bb89cfd7fa39.png
[1 1]: https://blog.csdn.net/qq_46098574/article/details/107334954
[2 1]: https://zhuanlan.zhihu.com/p/156835045
[3]: https://www.pythonf.cn/read/118993