基于yolov5建立自己的数据集识别流程及可能遇到的问题

一、源码的下载与模型部署

yolov5 模型 github仓库：ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

csdn教程链接：【大作业-05】手把手教你使用YOLOV5训练自己的目标检测模型-口罩检测-视频教程_搭建yolo目标检测的环境. 使用yolo-air模块来做实验-优快云博客

建议下载源码，但是想着找一个教程先实现，所以下载了csdn上的一些源码，对比后发现和github仓库中的requirements.txt版本要求是不太一样的。

所以以下模型部署和可能遇到的问题基于csdn连接中下载的代码。

建议python版本3.10及以下，因为可能与requirements.txt中的一些包冲突，例如requirements.txt中要求pillow>=10.3.0，直接pip install的话，会与pillow==8.4.0的版本冲突：

并且后续如果需要自己label数据集的话，需要pip install labelimg，labelimg在高版本的python运行不稳定会闪退。

具体的环境创建（包学包会）：机器学习入门篇之环境的搭建_机器学习不搭虚拟环境如何搭真实环境-优快云博客

虽然说可以在终端用命令train或者detect，但是在pycharm中具体的修改某些路径、创建文件感觉比较方便（适合我这种小白），代码中需要了解的部分（后续涉及到修改的，同时防止代码拿到手不了解的时候乱修改）：

代码文件夹认知，重要的文件夹是data、models、runs、dataset（自己的数据集）：

1. data文件夹中存放后续自己数据集的dataset.yaml（包括训练集、验证集地址和类别、类别数量信息）；
2. models文件夹中存放后续自己数据集的dataset_yolov5s.yaml（只需要修改第四行的number of classes）；
3. runs存放train.py、detect.py每次运行的结果。
4. dataset中按照下面的格式放置：

   dataset
   └─ score
          ├─ images
          │    ├─ test # 下面放测试集图片
          │    ├─ train # 下面放训练集图片
          │    └─ val # 下面放验证集图片
          └─ labels
                 ├─ test # 下面放测试集标签
                 ├─ train # 下面放训练集标签
                 ├─ val # 下面放验证集标签
   

文件认知：train.py训练文件，修改443-445行路径、447行训练epoch数，后续会生成best.pt文件供detect；detect.py后续修改其中206、207行路径检测识别。 

二、数据标注

数据标注这里使用的软件是labelimg（也有博客使用labelme），通过pip指令即可安装：

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

如果前面环境下的python版本比较高，这里打开进行数据标注会闪退，此时不用担心，不用回退环境python版本，解决方法为新创建一个python版本为3.8的虚拟环境，在虚拟环境中安装打开labelimg，之后可以正常使用。

把标注的格式切换为yolo之后再进行数据标注！

但是，如果标注的图片过多，一次标注不完，如果没有predefined_labels.txt，下次再打开时label就会全部变乱！（吃过苦的人都懂！）解决方法是在dataset（自己数据集的文件夹下）和labelimg路径下创建一个predefined_labels.txt（将要标注的标签类别），然后在文件夹中cmd打开终端，激活环境，输入：

labelimg ./data predefined_classes.txt

这里参考了：labelImg的使用——导入已有标签，避免重复打标签_labelimg导入已有标签-优快云博客

(30 封私信) 使用labelimg标注图片再次打开图片与标注序号不对应怎么办? - 知乎

dataset（自己数据集的文件夹下）效果如下：

labelimg文件夹中效果如下：

运行labelimg后就会出现predefined_labels.txt中的label，然后可以在标注的时候自己选择。

三、代码运行报错debug

在代码运行前需要准备的dataset.yaml、dataset_yolov5s.yaml按最前面的csdn教程做就可以。

在运行train.py的时候遇到几个报错：

1、报错：AttributeError: module ‘numpy‘ has no attribute ‘int‘.

原因：numpy版本的问题（np.int在1.20.0版本后不再适用）

如果选择回退numpy版本，又会有其他包版本冲突。解决方法：找到报错的位置，然后把np.int修改成int，改到不报这个错为止（没几个地方）。

2、报错：result type Float can‘t be cast to the desired output type __int64

原因：在更新后的torch版本中，代码`gain=torch.ones(7,device=targets.device)`需要显式转换为`gain=torch.ones(7,device=targets.device).long()`，因为新版本不自动执行这种类型转换，而旧版则可以。

解决方法：找到loss.py，将其中的：

gain = torch.ones(7, device=targets.device)

替换为：

 gain = torch.ones(7, device=targets.device).long()

 3、可以正常运行，但是报错：FutureWarning: `torch.cuda.amp.autocast(args...)` is deprecated.

原因：torch从2.4及以后便不再支持torch.cuda.amp.autocast(args...)，因此需要对该函数进行替换

将报错位置的：

with amp.autocast(autocast):

替换为：

with torch.amp.autocast("cuda"):