标签：install 检测 image images conda file path yolov5s 构建
1.1数据集下载
我使用的是下面的数据集,有需要可去以下链接下载
trianA数据集下载链接：https://pan.baidu.com/s/1zj3MqZEHKHpFACs95Ov4gQ?pwd=ma1p
trianB数据集下载链接：https://pan.baidu.com/s/1whg_-jLfbUnfpZkKjvdziQ?pwd=yg54
1.2yolov5s下载
(1)官网下载
从github上下载yolov5的模型，这里选取的yolov5 ，tags为6.2的版本。
下载网址：https://github.com/ultralytics/yolov5
点击code---download 即可下载压缩包
2.下载预训练模型
从刚刚下载yolov5的github的官网上，下载的预训练模型,
yolov5一共有5种模型：
YOLOv5n:最小的模型，适合在移动端部署。
YOLOv5s：小型模型，适合在CPU上进行推断。YOLOv5m：中等大小的模型，是速度和准确性之间的平衡点，适用于许多数据集和训练任务。
YOLOv5l：大型模型，适用于需要检测较小物体的数据集。
YOLOv5x：最大的模型，拥有最高的mAP指标，但相对较慢，参数数量为86.7百万。
这里我们选取了比较小的YOLOv5s的模型，可以在CPU上训练，亦可以从GPU上训练。
想要用别的yolo版本可以去GitHub搜,是一样的.
下载好yolov5文件后解压到一个文件夹里,这时会发现少了一个yolov5.pt的文件
可以在上面给出的下载链接中往下划,寻找的图中的页面,需要哪个就下那个版本的yoloxx.pt,然后把文件复制到你的文件夹里就行.
1.3下载ANACONDA
从以下链接可以进入下载ANACONDA的官网
Download Anaconda Distribution | Anaconda
下面的按钮的跳过注册
然后就进入了下载界面,弄完了ANACONDA之后,就是准备
python
和
pytorch
1.4python和pytorch
(1)环境配置
首先为自己的项目创建虚拟环境，这里我的项目名为：pytorch_study, python 版本为3.9；请在conda :
conda create -n pytorch_study python==3.9
conda activate pytorch_study
(2)pytorch安装
（gpu版本和cpu版本的安装）
实际测试情况是YOLOv5在CPU和GPU的情况下均可使用，不过在CPU的条件下训练那个速度会令人发
指，所以有条件的小伙伴一定要安装GPU版本的Pytorch。
pytorch
安装注意事项
①安装之前一定要先更新你的显卡驱动，去官网下载对应型号的驱动安装
②30系显卡只能使用cuda11的版本
③一定要创建虚拟环境，这样的话各个深度学习框架之间不发生冲突
可以直接从以下链接进入
pytorch官网
PyTorch
记得一定得要是conda的,如果不点conda默认是pip的下载链接.
（3）下载requirements文件
①
conda
安装的方式
如下：
conda activate pytorch_study
然后执行以下命令：
conda install --yes --file requirements.txt
1.5数据预处理
1.标签转换
（1）我们以train_B_1502的图片和标签为例，首先打开标签文件如下，
分别代表：类别标签, x_min , y_min , x_max , y_max;
x_min , y_min为左上角的坐标， x_max , y_max为右下角的坐标；
创建
labels_convert.py
文件
下面我们将首先我们将标签文件处理成yolo的标签文件，创建脚本：labels_convert.py文件，
示例代码如下：
import os
# 假设所有图片的大小是固定的，根据你的实际情况调整
img_width = 1280
img_height = 720
def convert_bbox_to_yolo_format(x_min, y_min, x_max, y_max, img_w, img_h):
"""
将边界框从 <x_min, y_min, x_max, y_max> 转换为 YOLO 格式 <x_center, y_center,width, height>,并归一化坐标。
"""
x_center = ((x_min + x_max) / 2) / img_w
y_center = ((y_min + y_max) / 2) / img_h
width = (x_max - x_min) / img_w
height = (y_max - y_min) / img_h
return x_center, y_center, width, height
def process_label_files(label_dir):
for label_file in os.listdir(label_dir):
file_path = os.path.join(label_dir, label_file)
with open(file_path, 'r') as file:
lines = file.readlines()
# 准备新的标签内容
new_lines = []
for line in lines:
parts = line.strip().split()
if len(parts) == 5:
cls, x_min, y_min, x_max, y_max = map(float, parts)
x_center, y_center, width, height = convert_bbox_to_yolo_format(x_min, y_min, x_max, y_max, img_width, img_height)
new_line = f"{int(cls)}\t{x_center:.6f}\t{y_center:.6f}\t{width:.6f}\t{height:.6f}\n"
new_lines.append(new_line)
# 将转换后的标签写回文件
with open(file_path, 'w') as file:
file.writelines(new_lines)
if __name__ == "__main__":
label_directory = 'mydatab\labels' # 修正路径中的反斜杠 (把这里的文件相对地址搞成你们的地址)
process_label_files(label_directory)
print("convert over")
2.数据集划分
我们的数据集结构为：
├── images
├── labels
而yolov5的数据集结构为：
├── images
│ ├── train
│ ├── val
│ └── test
├── labels
│ ├── train
│ ├── val
│ └── test
因此我们需要按照yolov5的数据集结构进行划分数据集。
创建
split_data.py
这里我们需要根据yolov5的数据结构，创建自己数据集的结构：这里来存放数据集信息，创建
split_data.py；将图片和标签都按照训练集：校验集：测试集=8:1:1的比例进行划分；（训练集训练参 数，校验集调整超参数，测试集对模型进行测试）
划分数据集的代码:
import os
import random
from shutil import copyfile
def split_dataset(image_folder, txt_folder, output_folder, split_ratio=(0.8,0.1, 0.1)):
# Ensure output folders exist
for phase in ['train', 'val', 'test']:
os.makedirs(os.path.join(output_folder, 'images', phase), exist_ok=True)
os.makedirs(os.path.join(output_folder, 'labels', phase), exist_ok=True)
# Get list of image files
image_files = [f for f in os.listdir(image_folder) if f.endswith(('.jpg','.jpeg', '.png'))]
random.shuffle(image_files)
num_images = len(image_files)
num_train = int(split_ratio[0] * num_images)
num_val = int(split_ratio[1] * num_images)
train_images = image_files[:num_train]
val_images = image_files[num_train:num_train + num_val]
test_images = image_files[num_train + num_val:]
# Copy images and labels to respective folders
for phase, images_list in zip(['train', 'val', 'test'], [train_images,val_images, test_images]):
for image_file in images_list:
# Copy image
image_path = os.path.join(image_folder, image_file)
target_image_path = os.path.join(output_folder, 'images', phase,image_file)
copyfile(image_path, target_image_path)
# Copy corresponding txt file if exists
txt_file = os.path.splitext(image_file)[0] + '.txt'
txt_path = os.path.join(txt_folder, txt_file)
target_txt_path = os.path.join(output_folder, 'labels', phase,txt_file)
if os.path.exists(txt_path):
copyfile(txt_path, target_txt_path)
if __name__ == "__main__":
image_folder_path = "mydatab\images"(把这里的文件相对地址搞成你们的地址)
txt_folder_path = "mydatab\labels"(把这里的文件相对地址搞成你们的地址)
output_dataset_path = "datasetsd"(把这里的文件相对地址搞成你们的地址)
split_dataset(image_folder_path, txt_folder_path, output_dataset_path)
print("Split complete.")
划分训练集后得到images如下：
得到的labels如下：
1.6.模型训练
1.创建bdd_traina.yaml文件
YOLOv5训练中最重要的一个属性是数据集的YAML文件。
在yolov5目录下的data文件夹下新建一个bdd_trainb.yaml文件（可以自定义命名）。在执行训练脚本
时，我们需要将此文件路径作为参数提供，以便脚本可以识别图像路径、标签路径和类别名称。数据集
已经包含了这个文件，以下是我们在这里用于训练的bdd_trainb.yaml文件的内容：
# YOLOv5
标签：install,检测,image,images,conda,file,path,yolov5s,构建
From： https://blog.csdn.net/whitesandcnm/article/details/142097472