当前位置:   article > 正文

(3)YOLOV5算法一之Windows10下yolov5安装测试并训练自己的数据集_yolov5官方测试

yolov5官方测试

准备工作

系统:window10
CUDA:10.1
CUDNN:7.4
python:3.7
opencv-python>=4.1.2
pytorch>=1.7.0
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

安装教程网上一大堆,不再赘述,CUDA和CUDNN下载链接可在我的另一篇博客中直接引用:https://blog.csdn.net/yohnyang/article/details/123958642

1.环境配置

1.1查看已安装环境

conda env list
  • 1

在这里插入图片描述
若想新建环境,可通过以下指令:

conda create -n yolov5 python=3.8
  • 1

激活环境

conda activate yolov5
  • 1

1.2 torch安装

pytorch官网:https://pytorch.org/下载torch_cuda版:
在这里插入图片描述
在这里插入图片描述
直接复制以下命令!,然后换源安装->速度挺快的!

#pip install torch==1.8.1+cu102 torchvision==0.9.1+cu102 torchaudio===0.8.0 
#-f https://download.pytorch.org/whl/torch_stable.html
*******************************************************************************
#亲测过了,安装1.8总报错,用下边版本吧
pip install torch==1.7.0+cu101 torchvision==0.8.1+cu101 torchaudio===0.7.0 
-f https://download.pytorch.org/whl/torch_stable.html
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

输入下面的命令可直接永久设置为清华源,换了吧,反正没啥坏处!

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
  • 1

安装好之后进行如下操作:

pip install --upgrade numpy #更新numpy

#输入:
>>>python
>>>import torch as t
>>>t.__version__

#查看是否可用
>>>import torch as t
>>>t.cuda.is_available
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

在这里插入图片描述

2.源码下载与测试

在GitHub上下载源码:yolov5-master —> https://github.com/ultralytics/yolov5

2.1下载依赖包

在环境中安装requirements.txt文件中的包:
在这里插入图片描述

如果遇到以上因解码出现的警告,则电脑左下角搜索栏输入:更改国家或地区->语言->管理语言设置
->更改系统区域设置->UTF-8勾选->确定
然后重新下载!成功解决!

在这里插入图片描述

2.2 下载官方权重

在这里插入图片描述

在yolov5目录下新建weights文件夹,将下载好的权重放在里边
在这里插入图片描述

2.3 测试yolov5n

在这里插入图片描述
运行相应权重的模型----,成功后显示如下:

F:\Deeplearning\yolov5-master>conda activate yolov5

(yolov5) F:\Deeplearning\yolov5-master>python detect.py --source ./data/images/ --weights ./weights/yolov5n.pt --conf 0.4
  • 1
  • 2
  • 3

在这里插入图片描述

查看检测结果:在yolov5-master目录下会生成一个新的文件夹runs,检测结果在.\yolov5-master\runs\detect\exp

在这里插入图片描述

3.训练自己数据集

3.1 数据集准备

我的操作是新建一个mytrain文件夹,将label标定好的 .xml 放到了 xmls 中,然后再另建一个新文件夹存放转换后的 .txt 文件,具体如下:

在这里插入图片描述
修改对应的路径,通过下边的demo将.xml转换为.txt

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join


def convert(size, box):
    x_center = (box[0] + box[1]) / 2.0
    y_center = (box[2] + box[3]) / 2.0
    x = x_center / size[0]
    y = y_center / size[1]

    w = (box[1] - box[0]) / size[0]
    h = (box[3] - box[2]) / size[1]

    return (x, y, w, h)


def convert_annotation(xml_files_path, save_txt_files_path, classes):
    xml_files = os.listdir(xml_files_path)
    print(xml_files)
    for xml_name in xml_files:
        print(xml_name)
        xml_file = os.path.join(xml_files_path, xml_name)
        out_txt_path = os.path.join(save_txt_files_path, xml_name.split('.')[0] + '.txt')
        out_txt_f = open(out_txt_path, 'w')
        tree = ET.parse(xml_file)
        root = tree.getroot()
        size = root.find('size')
        w = int(size.find('width').text)
        h = int(size.find('height').text)

        for obj in root.iter('object'):
            difficult = obj.find('difficult').text
            cls = obj.find('name').text
            if cls not in classes or int(difficult) == 1:
                continue
            cls_id = classes.index(cls)
            xmlbox = obj.find('bndbox')
            b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
                 float(xmlbox.find('ymax').text))
            # b=(xmin, xmax, ymin, ymax)
            print(w, h, b)
            bb = convert((w, h), b)
            out_txt_f.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


if __name__ == "__main__":
    classes = ['person', 'face','hand','garb','larwas','conwas','foowas','recyc'] #8类
    # 1、voc格式的xml标签文件路径
    xml_files1 = r'F:\Deeplearning\yolov5-master\mytrain\xmls'
    # 2、转化为yolo格式的txt标签文件存储路径
    save_txt_files1 = r'F:\Deeplearning\yolov5-master\mytrain\labels'

    convert_annotation(xml_files1, save_txt_files1, classes)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57

然后需要手动分割训练集与测试集,自动实现也可以,详见我的另一篇博客YOLOV5算法二之数据集转换及自动划分训练集与测试集,求赞哈哈!
images存放 .jpg 格式的训练图像(800张)与测试图像(100张)
labels存放对应的 .txt 格式的标签文件 训练(800)与测试(100)

在这里插入图片描述

3.2 修改配置文件

首先,在data中复制一份VOC.yaml,重命名为自己的文件,我的是garbage.yaml,修改路径和类别,其他可以注释掉,具体如下:

在这里插入图片描述

计划通过yolov5s进行训练,所以需要修改对应文件的类别数目,具体如下:

在这里插入图片描述

再然后,将train.py也复制一份,参照下图修改对应的参数配置,具体如下:
在这里插入图片描述

3.3 开始训练

我后边将工程通过pycharm打开了,所以直接在train_gar文件中右键运行即可开始训练,训练过程如下:

在这里插入图片描述

有生成的文件保存到了下边路径,但还没具体弄清楚是什么,就酱吧

在这里插入图片描述

3.4 新模型测试

模型的区别主要是权重,如果想用自己训练后的模型进行检测效果测试,将上边weights文件中的best.pt复制,然后替换掉开始设置的yolov5s.pt,再次运行detect.py即可。

参考:
1. Windows10+YOLOv5训练自己的数据集
2. Yolov5训练自己的数据集

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/黑客灵魂/article/detail/900513
推荐阅读
相关标签
  

闽ICP备14008679号