项目的克隆
打开yolov5官网（官网地址），下载yolov5的项目：
环境的安装（免额外安装CUDA和cudnn）
打开anaconda的终端，创建新的名为yolov5的环境（python选择3.8版本）：
conda create -n yolov5 python=3.8
执行如下命令，激活这个环境：
conda activate yolov5
打开pytorch的官网，选择自己显卡对应的pytorch版本（我的显卡为GTX1650，这里选择1.8.0pytorch版本）：
选择CUDA版本（这里我选择10.2），复制命令到anaconda终端执行：
至此pytorch环境安装完成，接下来验证CUDA和cudnn版本，打开Ptcharm，执行如下代码：
import torch
print(torch.cuda.is_available())
print(torch.backends.cudnn.is_available())
print(torch.cuda_version)
print(torch.backends.cudnn.version())
输出如下结果表示安装成功：
利用labelimg标注数据集：
labelimg的安装：
打开cmd命令控制台，输入如下的命令下载labelimg相关的依赖：
pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple
数据准备：
新建一个名为VOC2007的文件夹，在里面创建一个名为JPEGImages的文件夹存放需要打标签的图片文件；再创建一个名为Annotations的文件夹存放标注的标签文件；最后创建一个名为 predefined_classes.txt 的txt文件来存放所要标注的类别名称：
进入到刚刚创建的VOC2007路径，执行cmd命令：
输入如下的命令打开labelimg并初始化predefined_classes.txt里面定义的类：
labelimg JPEGImages predefined_classes.txt
打开view设置，勾选如下选项（建议勾选）：
标注数据：
按下快捷键W调出标注十字架，选择需要标注的对象区域，并定义自己要标注的类别。
打完标签后的图片会在Annotations 文件夹下生成对应的xml文件：
数据集格式转化及训练集和验证集划分
利用pycharm打开从yolov5官网下载的yolov5项目，在该项目目录下创建名为VOCdevkit的文件夹，并将刚才的VOC2007文件夹放入：
在VOCdevkit的同级目录下创建新的python文件，执行如下代码：
注：classes里面必须正确填写xml里面已经标注好的类。这里为classes = ["fanbingbing", "jiangwen", "liangjiahui", "liuyifei", "zhangziyi", "zhoujielun"]
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import random
from shutil import copyfile
classes = ["fanbingbing", "jiangwen", "liangjiahui", "liuyifei", "zhangziyi", "zhoujielun"]
# classes=["ball"]
TRAIN_RATIO = 80
def clear_hidden_files(path):
dir_list = os.listdir(path)
for i in dir_list:
abspath = os.path.join(os.path.abspath(path), i)
if os.path.isfile(abspath):
if i.startswith("._"):
os.remove(abspath)
else:
clear_hidden_files(abspath)
def convert(size, box):
dw = 1. / size[0]
dh = 1. / size[1]
x = (box[0] + box[1]) / 2.0
y = (box[2] + box[3]) / 2.0
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)
def convert_annotation(image_id):
in_file = open("F:/Yolov5/yolov5_offical/yolov5-master/VOCdevkit/VOC2007/Annotations/%s.xml" % image_id)
out_file = open('F:/Yolov5/yolov5_offical/yolov5-master/VOCdevkit/VOC2007/YOLOLabels/%s.txt' % image_id, 'w')
tree = ET.parse(in_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))
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
in_file.close()
out_file.close()
wd = os.getcwd()
wd = os.getcwd()
data_base_dir = os.path.join(wd, "F:/Yolov5/yolov5_offical/yolov5-master/VOCdevkit/")
if not os.path.isdir(data_base_dir):
os.mkdir(data_base_dir)
work_sapce_dir = os.path.join(data_base_dir, "VOC2007/")
if not os.path.isdir(work_sapce_dir):
os.mkdir(work_sapce_dir)
annotation_dir = os.path.join(work_sapce_dir, "Annotations/")
if not os.path.isdir(annotation_dir):
os.mkdir(annotation_dir)
clear_hidden_files(annotation_dir)
image_dir = os.path.join(work_sapce_dir, "JPEGImages/")
if not os.path.isdir(image_dir):
os.mkdir(image_dir)
clear_hidden_files(image_dir)
yolo_labels_dir = os.path.join(work_sapce_dir, "YOLOLabels/")
if not os.path.isdir(yolo_labels_dir):
os.mkdir(yolo_labels_dir)
clear_hidden_files(yolo_labels_dir)
yolov5_images_dir = os.path.join(data_base_dir, "images/")
if not os.path.isdir(yolov5_images_dir):
os.mkdir(yolov5_images_dir)
clear_hidden_files(yolov5_images_dir)
yolov5_labels_dir = os.path.join(data_base_dir, "labels/")
if not os.path.isdir(yolov5_labels_dir):
os.mkdir(yolov5_labels_dir)
clear_hidden_files(yolov5_labels_dir)
yolov5_images_train_dir = os.path.join(yolov5_images_dir, "train/")
if not os.path.isdir(yolov5_images_train_dir):
os.mkdir(yolov5_images_train_dir)
clear_hidden_files(yolov5_images_train_dir)
yolov5_images_test_dir = os.path.join(yolov5_images_dir, "val/")
if not os.path.isdir(yolov5_images_test_dir):
os.mkdir(yolov5_images_test_dir)
clear_hidden_files(yolov5_images_test_dir)
yolov5_labels_train_dir = os.path.join(yolov5_labels_dir, "train/")
if not os.path.isdir(yolov5_labels_train_dir):
os.mkdir(yolov5_labels_train_dir)
clear_hidden_files(yolov5_labels_train_dir)
yolov5_labels_test_dir = os.path.join(yolov5_labels_dir, "val/")
if not os.path.isdir(yolov5_labels_test_dir):
os.mkdir(yolov5_labels_test_dir)
clear_hidden_files(yolov5_labels_test_dir)
train_file = open(os.path.join(wd, "yolov5_train.txt"), 'w')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'w')
train_file.close()
test_file.close()
train_file = open(os.path.join(wd, "yolov5_train.txt"), 'a')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'a')
list_imgs = os.listdir(image_dir) # list image files
prob = random.randint(1, 100)
print("Probability: %d" % prob)
for i in range(0, len(list_imgs)):
path = os.path.join(image_dir, list_imgs[i])
if os.path.isfile(path):
image_path = image_dir + list_imgs[i]
voc_path = list_imgs[i]
(nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path))
(voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path))
annotation_name = nameWithoutExtention + '.xml'
annotation_path = os.path.join(annotation_dir, annotation_name)
label_name = nameWithoutExtention + '.txt'
label_path = os.path.join(yolo_labels_dir, label_name)
prob = random.randint(1, 100)
print("Probability: %d" % prob)
if (prob < TRAIN_RATIO): # train dataset
if os.path.exists(annotation_path):
train_file.write(image_path + '\n')
convert_annotation(nameWithoutExtention) # convert label
copyfile(image_path, yolov5_images_train_dir + voc_path)
copyfile(label_path, yolov5_labels_train_dir + label_name)
else: # test dataset
if os.path.exists(annotation_path):
test_file.write(image_path + '\n')
convert_annotation(nameWithoutExtention) # convert label
copyfile(image_path, yolov5_images_test_dir + voc_path)
copyfile(label_path, yolov5_labels_test_dir + label_name)
train_file.close()
test_file.close()
代码执行完成后目录结构如下：
下载预训练权重：
打开这个网址下载预训练权重，这里选择yolov5s.pt。
训练模型
修改数据配置文件：
找到data目录下的voc.yaml文件，将该文件复制一份，重命名为people.yaml：
打开people.yaml，修改相关参数（train，val，nc）：
修改模型配置文件：
找到models目录下的yolov5s.yaml文件，将该文件复制一份，重命名为yolov5s_people.yaml：
打开yolov5_people.yaml，修改相关参数（nc）：
训练模型：
打开train.py，修改如下参数：
weights：权重的路径 cfg：yolov5s_people.yaml路径 data：people.yaml路径 epochs：训练的轮数 batch-size：每次输入图片数量（根据自己电脑情况修改） workers：最大工作核心数（根据自己电脑情况修改）
运行train.py函数训练自己的模型。
tensorbord查看参数
打开pycharm的命令控制终端，运行如下命令：
tensorboard --logdir=runs/train
推理测试
模型训练完成后，会在主目录下产生一个名为runs的文件夹，在runs/train/exp/weights目录下会产生两个权重文件，一个是最后一轮的权重文件，一个是最好的权重文件。
打开detect.py文件，修改相关参数：
weights:权重路径（这里选择best.pt）
source:测试数据路径，可以是图片/视频，也可以是'0'(电脑自带摄像头)
运行detect.py进行测试，测试结果会保存在runs/detect/exp目录下。