YoloV5实战：手把手教物体检测——YoloV5

「爱情、让人受尽委屈。」 2022-12-17 14:54 240阅读 0赞

**目录**

摘要

训练

1、下载代码

2、配置环境

3、准备数据集

4、生成数据集

5、修改配置参数

6、修改train.py的参数

7、查看训练结果

测试

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

# **摘要** #

YOLOV5严格意义上说并不是YOLO的第五个版本，因为它并没有得到YOLO之父Joe Redmon的认可，但是给出的测试数据总体表现还是不错。详细数据如下：

![20201023232701871.png][]

YOLOv5并不是一个单独的模型，而是一个模型家族，包括了YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x、YOLOv5x+TTA，这点有点儿像EfficientDet。由于没有找到V5的论文，我们也只能从代码去学习它。总体上和YOLOV4差不多，可以认为是YOLOV5的加强版。

项目地址：[https://github.com/ultralytics/YOLOv5][https_github.com_ultralytics_YOLOv5]

# **训练** #

## **1、下载代码** ##

项目地址：[https://github.com/ultralytics/YOLOv5][https_github.com_ultralytics_YOLOv5]，最近作者又更新了一些代码。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70][]

## **2、配置环境** ##

matplotlib>=3.2.2
    
    numpy>=1.18.5
    
    opencv-python>=4.1.2
    
    pillow
    
    PyYAML>=5.3
    
    scipy>=1.4.1
    
    tensorboard>=2.2
    
    torch>=1.6.0
    
    torchvision>=0.7.0
    
    tqdm>=4.41.0

## **3、准备数据集** ##

数据集采用Labelme标注的数据格式，数据集从RSOD数据集中获取了飞机和油桶两类数据集，并将其转为Labelme标注的数据集。

数据集的地址： https://pan.baidu.com/s/1iTUpvA9\_cwx1qiH8zbRmDg

提取码：gr6g

或者：[https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/14003627][https_download.csdn.net_download_hhhhhhhhhhwwwwwwwwww_14003627]

将下载的数据集解压后放到工程的根目录。为下一步生成测试用的数据集做准备。如下图：

![2020102323280512.png][]

## **4、生成数据集** ##

YoloV5的数据集和以前版本的数据集并不相同，我们先看一下转换后的数据集。

数据结构如下图：

![/images/20221122/23f33f55ac03480fa12ec757a456dd2d.png][https_img-blog.csdnimg.cn_20200924200709826.png]

images文件夹存放train和val的图片

labels里面存放train和val的物体数据，里面的每个txt文件和images里面的图片是一一对应的。

txt文件的内容如下：

![/images/20221122/7b2e27c5b7044249a0374c2588b04e9a.png][https_img-blog.csdnimg.cn_2020092420072036.png]

格式：物体类别 x y w h

坐标是不是真实的坐标，是将坐标除以宽高后的计算出来的，是相对于宽和高的比例。

下面我们编写生成数据集的代码，新建LabelmeToYoloV5.py，然后写入下面的代码。

import os
    
    import numpy as np
    
    import json
    
    from glob import glob
    
    import cv2
    
    from sklearn.model_selection import train_test_split
    
    from os import getcwd
    
    
    
    classes = ["aircraft", "oiltank"]
    
    # 1.标签路径
    
    labelme_path = "LabelmeData/"
    
    isUseTest = True  # 是否创建test集
    
    # 3.获取待处理文件
    
    files = glob(labelme_path + "*.json")
    
    files = [i.replace("\\", "/").split("/")[-1].split(".json")[0] for i in files]
    
    print(files)
    
    if isUseTest:
    
        trainval_files, test_files = train_test_split(files, test_size=0.1, random_state=55)
    
    else:
    
        trainval_files = files
    
    # split
    
    train_files, val_files = train_test_split(trainval_files, test_size=0.1, random_state=55)
    
    
    
    
    
    def convert(size, box):
    
        dw = 1. / (size[0])
    
        dh = 1. / (size[1])
    
        x = (box[0] + box[1]) / 2.0 - 1
    
        y = (box[2] + box[3]) / 2.0 - 1
    
        w = box[1] - box[0]
    
        h = box[3] - box[2]
    
        x = x * dw
    
        w = w * dw
    
        y = y * dh
    
        h = h * dh
    
        return (x, y, w, h)
    
    
    
    
    
    wd = getcwd()
    
    print(wd)
    
    
    
    
    
    def ChangeToYolo5(files, txt_Name):
    
        if not os.path.exists('tmp/'):
    
            os.makedirs('tmp/')
    
        list_file = open('tmp/%s.txt' % (txt_Name), 'w')
    
        for json_file_ in files:
    
            json_filename = labelme_path + json_file_ + ".json"
    
            imagePath = labelme_path + json_file_ + ".jpg"
    
            list_file.write('%s/%s\n' % (wd, imagePath))
    
            out_file = open('%s/%s.txt' % (labelme_path, json_file_), 'w')
    
            json_file = json.load(open(json_filename, "r", encoding="utf-8"))
    
            height, width, channels = cv2.imread(labelme_path + json_file_ + ".jpg").shape
    
            for multi in json_file["shapes"]:
    
                points = np.array(multi["points"])
    
                xmin = min(points[:, 0]) if min(points[:, 0]) > 0 else 0
    
                xmax = max(points[:, 0]) if max(points[:, 0]) > 0 else 0
    
                ymin = min(points[:, 1]) if min(points[:, 1]) > 0 else 0
    
                ymax = max(points[:, 1]) if max(points[:, 1]) > 0 else 0
    
                label = multi["label"]
    
                if xmax <= xmin:
    
                    pass
    
                elif ymax <= ymin:
    
                    pass
    
                else:
    
                    cls_id = classes.index(label)
    
                    b = (float(xmin), float(xmax), float(ymin), float(ymax))
    
                    bb = convert((width, height), b)
    
                    out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
    
                    print(json_filename, xmin, ymin, xmax, ymax, cls_id)
    
    ChangeToYolo5(train_files, "train")
    
    ChangeToYolo5(val_files, "val")
    
    ChangeToYolo5(test_files, "test")

这段代码执行完成会在LabelmeData生成每个图片的txt标注数据，同时在tmp文件夹下面生成训练集、验证集和测试集的txt，txt记录的是图片的路径，为下一步生成YoloV5训练和测试用的数据集做准备。在tmp文件夹下面新建MakeData.py文件，生成最终的结果，目录结构如下图：

![20201023232827265.png][]

打开MakeData.py,写入下面的代码。

import shutil
    import os
    
    file_List = ["train", "val", "test"]
    for file in file_List:
        if not os.path.exists('../VOC/images/%s' % file):
            os.makedirs('../VOC/images/%s' % file)
        if not os.path.exists('../VOC/labels/%s' % file):
            os.makedirs('../VOC/labels/%s' % file)
        print(os.path.exists('../tmp/%s.txt' % file))
        f = open('../tmp/%s.txt' % file, 'r')
        lines = f.readlines()
        for line in lines:
            print(line)
            line = "/".join(line.split('/')[-5:]).strip()
            shutil.copy(line, "../VOC/images/%s" % file)
            line = line.replace('JPEGImages', 'labels')
            line = line.replace('jpg', 'txt')
            shutil.copy(line, "../VOC/labels/%s/" % file)

执行完成后就可以生成YoloV5训练使用的数据集了。结果如下：

![20201023232908956.png][]

## **5、修改配置参数** ##

打开voc.yaml文件，修改里面的配置参数

train: VOC/images/train/  # 训练集图片的路径

val: VOC/images/val/  # 验证集图片的路径

# number of classes
    
    nc: 2 #检测的类别，本次数据集有两个类别所以写2
    
    
    
    # class names
    
    names: ["aircraft", "oiltank"]#类别的名称，和转换数据集时的list对应

## **6、修改train.py的参数** ##

cfg参数是YoloV5 模型的配置文件，模型的文件存放在models文件夹下面，按照需求填写不同的文件。

weights参数是YoloV5的预训练模型，和cfg对应，例：cfg配置的是yolov5s.yaml，weights就要配置yolov5s.pt

data是配置数据集的配置文件，我们选用的是voc.yaml，所以配置data/voc.yaml

修改上面三个参数就可以开始训练了，其他的参数根据自己的需求修改。修改后的参数配置如下：

parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')
    
    parser.add_argument('--cfg', type=str, default='yolov5s.yaml', help='model.yaml path')
    
    parser.add_argument('--data', type=str, default='data/voc.yaml', help='data.yaml path')

修改完成后，就可以开始训练了。如下图所示：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 1][]

## 7、查看训练结果 ##

在经历了300epoch训练之后，我们会在runs文件夹下面找到训练好的权重文件和训练过程的一些文件。如图：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 2][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 3][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 4][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 5][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 6][]

# 测试 #

首先需要在voc.yaml中增加测试集的路径，打开voc.yaml，在val字段后面增加test: tmp/test.txt这行代码，如图：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 7][]

修改test.py中的参数，下面的这几个参数要修改。

parser = argparse.ArgumentParser(prog='test.py')  
parser.add\_argument('--weights', nargs='+', type=str, default='runs/exp7/weights/best.pt', help='model.pt path(s)')  
parser.add\_argument('--data', type=str, default='data/voc.yaml', help='\*.data path')  
parser.add\_argument('--batch-size', type=int, default=2, help='size of each image batch')  
parser.add\_argument('--save-txt', default='True', action='store\_true', help='save results to \*.txt')

在275行 修改test的方法，增加保存测试结果的路径。这样测试完成后就可以在inference\\images查看到测试的图片，在inference\\output中查看到保存的测试结果。

如图：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 8][]

下面是运行的结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 9][]

代码和模型：[https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/13094352][https_download.csdn.net_download_hhhhhhhhhhwwwwwwwwww_13094352]

如果有打赏请扫描下面的二维码。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 10][]

[20201023232701871.png]: /images/20221122/62b518fa17964c568c6d8d9f83026680.png
[https_github.com_ultralytics_YOLOv5]: https://github.com/ultralytics/YOLOv5
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70]: /images/20221122/65ce4d5a2808499fa55ae1c506e1a7e6.png
[https_download.csdn.net_download_hhhhhhhhhhwwwwwwwwww_14003627]: https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/14003627
[2020102323280512.png]: /images/20221122/3ee94330650f437b96916a1169368d9d.png
[https_img-blog.csdnimg.cn_20200924200709826.png]: /images/20221122/23f33f55ac03480fa12ec757a456dd2d.png
[https_img-blog.csdnimg.cn_2020092420072036.png]: /images/20221122/7b2e27c5b7044249a0374c2588b04e9a.png
[20201023232827265.png]: /images/20221122/b2d076a7fb864b72bcedd559f0b77223.png
[20201023232908956.png]: /images/20221122/bcd302fced474ccc9ed8424f510cffdc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 1]: /images/20221122/ef631d7bdb77483cb5a868eb30c327eb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 2]: /images/20221122/176e99c6600a4f0686fc4884b2b20569.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 3]: /images/20221122/fa3f78a9d7da44f9a417fefdb3c837ec.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 4]: /images/20221122/7410ea175a29402ea9bed4885d4db339.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 5]: /images/20221122/5e14e0d5ba9c44e787e28876ff1dfde4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 6]: /images/20221122/9096d6dda05a4486b076c99cdc7228eb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 7]: /images/20221122/d04eee208b8249148f13ec351e16e885.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 8]: /images/20221122/7d7fdce8872b459ebf1f8e815e758676.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 9]: /images/20221122/488a5e6b2fc8439883986e1623d65de1.png
[https_download.csdn.net_download_hhhhhhhhhhwwwwwwwwww_13094352]: https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/13094352
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hoaGhoaGhoaGh3d3d3d3d3d3d3_size_16_color_FFFFFF_t_70 10]: /images/20221122/f3df08b30aec4ee79737287a458e6955.png