0.有些东西是前面yolov3训练时候就说过的会在文中注明:
1.下载代码;
https://github.com/ultralytics/yolov5
2.准备数据集:
数据格式和yolov3一模一样。如果做过yolov3的数据集可以直接搬来用就行。详细见https://blog.csdn.net/gbz3300255/article/details/106276897 的 第三节 -----------训练自己数据集的步骤。
准备文本文件有: train.txt test.txt val.txt lables的文本文件
train.txt,记录数据集下图片名字,类似这样,数据集图片存放在/data/images/目录下。
BloodImage_00091.jpg
BloodImage_00156.jpg
BloodImage_00389.jpg
BloodImage_00030.jpg
BloodImage_00124.jpg
BloodImage_00278.jpg
BloodImage_00261.jpg
test.txt,与面形式一样,内容是需要测试的图的文件名
BloodImage_00258.jpg
BloodImage_00320.jpg
BloodImage_00120.jpg
val.txt,与面形式一样,内容是验证集内图文件名
BloodImage_00777.jpg
BloodImage_00951.jpg
lables类文本,images中每张图像对应一个关于lables的文本,形式如下,名字类似这样BloodImage_00091.txt。
0 0.669 0.5785714285714286 0.032 0.08285714285714285
lables文本统一放在上面代码的/data/lables/中
3.修改配置文件:
3.1 在data文件夹下做个新的yml文件就叫trafficsigns.yaml吧。其内容如下。train的路径写2步骤的那个train.txt的文本所在路径,后两个类似弄。nc是类别数,我只检测4类就写4。names改成你的类别就好,偷懒没改。
# COCO 2017 dataset http://cocodataset.org
# Train command: python train.py --data coco.yaml
# Default dataset location is next to /yolov5:
# /parent_folder
# /coco
# /yolov5
# download command/URL (optional)
download: bash data/scripts/get_coco.sh
# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ../ImageSets/train.txt
val: ../ImageSets/val.txt
test: ../ImageSets/test.txt
# number of classes
nc: 4
# class names
names: ['0', '1', '2', '3']
# Print classes
# with open('data/coco.yaml') as f:
# d = yaml.load(f, Loader=yaml.FullLoader) # dict
# for i, x in enumerate(d['names']):
# print(i, x)
3.2 在models中修改下网络的配置文件吧,例如我准备用yolov5I这个模型,就将yolov5l.yaml修改为自己需要的样子。注意地方有这几处:
a.nc要改成你的类别数
b.anchors的大小要改成你自己的数据集跑出来的大小。详细可看https://blog.csdn.net/gbz3300255/article/details/106276897 修改anchors的具体方法,代码现成的,就是聚类。
# parameters
nc: 4 # number of classes
depth_multiple: 1.0 # model depth multiple
width_multiple: 1.0 # layer channel multiple
# anchors
anchors:
- [12,15, 14,20, 18,25] # P3/8
- [24,32, 24,18, 33,44] # P4/16
- [39,28, 59,49, 115,72] # P5/32
# 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]]],
[-1, 3, BottleneckCSP, [1024, False]], # 9
]
# YOLOv5 head
head:
[[-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]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, BottleneckCSP, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, BottleneckCSP, [1024, False]], # 23 (P5/32-large)
[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
4.训练呗:
python train.py --data data/trafficsigns.yaml --cfg models/yolov5I.yaml --weights '' --batch-size 16 --epochs 100
5.测试呗:
python detect.py --weights best.pt --img 320 --conf 0.4
我还没训练起来,因为torch版本太低,用不了cuda的amp模块 ,有空再搞搞吧,但大路就这样吧