图像识别-YOLOv5实战_yolov5图像识别怎么弄

一. YOLOv5代码下载

链接: https://github.com/ultralytics/yolov5
克隆至本地

git clone https://gitcode.com/ultralytics/yolov5.git
1

代码不一定是最新的，可自行搜索下载所需代码，其中代码中包含预训练模型为yolov5s.pt，若需其他yolo预训练模型可自行下载

二. 依赖环境安装

完成上述步骤后，会自动行程yolov5路径

cd yolov5
pip install -r requirements.txt
1
2

三. 训练数据下载

coco128下载方式：
链接：https://pan.baidu.com/s/1TLzwEFQlhOiE2CO6waWrSA
提取码：luim
下载后解压至yolov5/data下，其中包含两个文件夹：images和labels，路径结构如下：train为训练集，val为验证集

images为训练图片
labels为标记后的txt文件

四. 建立数据yaml文件

在yolov5/data下，新建coco128（自定义名称）.yaml文件，主要修改数据路径和类别名称：

path: ./data  # dataset root dir
train: images/train2017  # train images (relative to 'path') 128 images
val: images/train2017  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

五. 修改模型参数

在yolov5/models下，使用yolov5s.pt预训练模型，则修改yolov5s.yaml文件中的nc为数据集的类型数。

六. 创建训练文件

在yolov5路径下，建立训练脚本train.sh

python train.py --weights 'yolov5l.pt' --cfg './models/yolov5l.yaml' --data './data/coco128.yaml' --hyp './data/hyps/hyp.scratch-low.yaml' --epochs 300 --batch-size 16 --device 1,2
1

–weights：预训练模型路径
–cfg：yolo yaml文件路径，即上一步修改模型参数路径
–data：即第四步中数据yaml文件路径
–hyp：内置超参数配置文件
–epochs：训练轮次
–device： GPU编号

七. 训练

nohup sh train.sh > ./xxx.log 2>&1 &
1

在xxx.log中查看日志
history|grep nohup：查看历史nohup记录
kill跑过的进程：

ps -ef|grep train（刚刚的xxx.sh名字）查看进程号
kill -9 进程号
1
2

训练完成后，会在yolov5/runs/train中生成最终的模型文件，每次训练会形成一个

八. 测试

在yolov5下，创建测试脚本test.sh

python detect.py --weights./runs/train/exp4/weights/best.pt --source ./data/images/val --data ./data/coco128.yaml

1
2

–weights：训练后的best.pt
–source：验证集所在路径
–data：训练时的数据yaml文件

九. 转换模型保存格式

pt格式转为onnx
python export.py --weights './runs/train/xxx/weights/best.pt' --dynamic --include onnx
1
2

十. 标注自己数据

需要用LabelImg对图片进行标注，可自行百度。