YOLOv5 (2) 训练模型指导

上一篇文章我们已经部署了环境，接下来我们就要开始进行模型训练了

自定义训练

需要准备：训练集图片、验证集图片以及图片中所有目标的标注

一、训练集准备

1.原始图片

在本地PC端创建一个文件夹存放原始图片

我这里截图了一些打算测试的座舱域车机页面图

2.图片标注以及生成训练集

【如何通过原始图片生成训练集图片以及训练集标签呢？】

使用 roboflow 标注工具

https://app.roboflow.com/ces-vtecm/my-first-project-j7iyp/4

Roboflow是一款自动化训练数据工具，它提供了一种独特的标记方式，让开发者更轻松地为图像中的物体设定标签，以便YOLOv5能够更有效地识别。

图片标注步骤

①使用邮箱登陆

②创建项目

③上传原始图片

直接上传整个文件夹

④选择图片添加标签

⑤添加标签

⑥添加数据集

添加完全部图片的标签后将图像添加到数据集

⑦新建数据集版本

所有图片都添加后，新建数据集版本

⑧调整图片参数

⑨下载数据

下载到本地为zip包，解压后得到以下文件：

train文件夹中为训练集图片和训练集标签：

data.yaml为：（后续使用可能会修改内容）

3.导入训练集和验证集

①进入虚拟环境

再次进入ubuntu系统需要重新进入虚拟环境

source $HOME/miniconda/bin/activate

conda activate yolov5_rknn

②创建文件夹子文件夹

cd home/yolov5/

mkdir -p datasets/images/{train,val} datasets/labels/{train,val}

【参数说明】

-p  自动创建父目录（如果不存在）

{train,val}  批量创建多个子目录

结构如下：

datasets/
├── images
│   ├── train（存放训练集图片）
│   └── val  （存放验证集图片）
└── labels
    ├── train（存放对应训练集图片的标注文件）
    └── val  （存放对应验证集图片的标注文件）

③导入图片以及标签

训练集图片：

docker cp D:\test1.v1i.yolov5pytorch\train\images. 容器唯一标识符:/home/yolov5/datasets/images/train

验证集图片：

• 验证集图片需要和训练集内图片不同，如果验证集包含训练集图片，模型会记住这些图片（过拟合），导致验证指标虚高，无法反映真实性能；
• 验证集的目的是为了验证模型在从未见到的数据上面的表现，因此需使用全新图片，但是要保证验证集和训练集的图片，类别、场景分布类似，才具有验证价值；
• 通常训练集图片数量和验证集图片数量的划分为7：3；

docker cp D:\验证集图片文件夹. 容器唯一标识符:/home/yolov5/datasets/images/val

训练集标签：

docker cp D:\test1.v1i.yolov5pytorch\train\labels. 容器唯一标识符:/home/yolov5/datasets/labels/train

验证集标签：

docker cp D:\验证集标签文件夹. 容器唯一标识符:/home/yolov5/datasets/labels/val

④导入data.yaml配置文件

在 YOLOv5 项目中，data.yaml 是一个配置文件，用于定义数据集的路径、类别信息以及训练/验证集的划分规则。

它是模型训练和验证的“数据指南”，告诉 YOLOv5 去哪里找数据、如何解析数据。

YOLOv5 的训练脚本（train.py）和验证脚本（val.py）依赖此文件定位数据。

这里将 data.yaml 配置文件存放到 datasets 路径下

修改数据集和验证集的路径信息

二、训练模型

1.开始训练

python train.py --img 640 --batch 16 --epochs 50 --data datasets/data.yaml --weights yolov5s.pt --workers 0

【参数说明】

train.py  训练脚本

--img 640  图片尺寸

--batch 16  批次大小，根据GPU内存调整

--epochs 50  训练轮次

--data datasets/data.yaml  数据集配置文件路径

--weights yolov5s.pt  预训练权重文件

--workers 0  数据加载的线程数（0表示仅主线程，避免多线程问题）

【BUG1】NumPy版本兼容性问题

【解决办法1】---采用√ 成功

查看到以下文件中存在np.int：

grep "astype(np.int" /home/yolov5/utils/datasets.py

grep "astype(np.int" /home/yolov5/utils/general.py

grep "astype(np.int" /home/yolov5/utils/metrics.py

替换文件中所有 np.int 为 int：

sed -i 's/\.astype(np\.int)/.astype(int)/g' /home/yolov5/utils/general.py
sed -i 's/\.astype(np\.int)/.astype(int)/g' /home/yolov5/utils/datasets.py

// metrics.py 应该不是直接改为int16，需要改为'int16' ---见BUG4

sed -i 's/\.astype(np\.int16)/.astype(int16)/g' /home/yolov5/utils/metrics.py

或者一个个修改（示例 datasets.py 文件的473行）

vim /home/yolov5/utils/datasets.py +473  // 代表修改文件的第473行

【解决办法2】---没尝试，怕修改版本会引发新的不兼容问题

查看NumPy版本号：

python -c "import numpy as np; print(np.__version__)"

发现版本号大于1.24版本，需要降级到1.23.5：

pip install numpy==1.23.5

【BUG2】类型转换问题

问题现象：Float类型无法转换为long int类型

分析：在 loss.py 文件中，gj.clamp_() 和 gi.clamp_() 操作需要返回整数类型(long int)，但输入可能是浮点类型(Float)，类型不匹配

原因：使用的PyTorch 2.4.0可能与YOLOv5 v6.0存在一些兼容性问题

查看gi.clamp_()：
grep "clamp_(" /home/yolov5/utils/loss.py

修改文件第217行：vim /home/yolov5/utils/loss.py +217

修改：红色为修改后代码

# Define
b, c = t[:, :2].long().T  # image, class
gxy = t[:, 2:4]  # grid xy
gwh = t[:, 4:6]  # grid wh
gij = (gxy - offsets).long()
gi, gj = gij.T  # grid xy indices

# Append
a = t[:, 6].long()  # anchor indices
# indices.append((b, a, gj.clamp_(0, gain[3] - 1).round().to(torch.long), gi.clamp_(0, gain[2] - 1).round().to(torch.long)))  # image, anchor, grid indices  // 原代码

gi = gi.clamp(0, gain[2] - 1).long()
gj = gj.clamp(0, gain[3] - 1).long()
indices.append((b, a, gj, gi))

【BUG3】Pillow库版本兼容性问题

原因：Pillow 10.0.0之后的版本中移除了getsize()方法导致的兼容性问题

• YOLOv5的绘图功能使用了Pillow库

• 新版本Pillow改变了字体尺寸获取的API

查看 Pillow 版本：pip show Pillow

【解决办法1】---采用√ 成功

修改文件第86行：vim /home/yolov5/utils/plots.py +86

修改文件第112行：vim /home/yolov5/utils/plots.py +112

修改：红色为修改后代码

# 86行修改

if label:
        # w, h = self.font.getsize(label)  # text width, height  // 原代码
       bbox = self.font.getbbox(label)
       w, h = bbox[2] - bbox[0], bbox[3] - bbox[1]

# 112行修改

def text(self, xy, text, txt_color=(255, 255, 255)):
        # Add text to image (PIL-only)
        # w, h = self.font.getsize(text)  # text width, height  // 原代码
        w, h = self.font.getbbox(text)[2:]

【解决办法2】---没尝试，怕修改版本会引发新的不兼容问题

降级Pillow版本

pip install pillow==9.5.0

【BUG4】未正确导入 numpy 的数据类型

分析：在 utils/metrics.py 中使用了 int16，但未正确导入 numpy 的数据类型

原因：YOLOv5 的某些版本在 metrics.py 中直接使用了 int16，但未添加 from numpy import int16 或 import numpy as np 并使用 np.int16（根据BUG1，我们不能使用np.int16）

（这个是BUG1修改后出现的新问题）

修改：m0, m1, _ = matches.transpose().astype('int16')  # 使用字符串 'int16' 而非变量

2.结束训练

正常等待结束：达到设定的 epochs=50 轮次，训练完成后自然退出；

3.训练结果

训练进度：

• 33/49：当前 epoch（轮次）和总 epochs

• 0G：GPU 内存占用（0 表示未使用 GPU，可能是 CPU 训练）

• 0.08837：边界框损失（box loss），越小越好

• 0.05251：目标检测损失（obj loss），越小越好

• 0.07966：分类损失（cls loss），越小越好

• 145：当前 batch 的标签数量。

• 640：输入图像尺寸。

• 67%：当前 epoch 的进度。

验证集指标：

• Images：验证集图片数（36 张）

• Labels：验证集标注框数（156 个）

• P (Precision)：精确率（预测为正样本中真实正样本的比例），当前 0.851（较低）

• R (Recall)：召回率（真实正样本中被正确预测的比例），当前 0.0109（很低）

• mAP@.5：IoU 阈值为 0.5 时的平均精度（0.00845，性能较差）

• mAP@.5:.95：IoU 阈值从 0.5 到 0.95 的平均精度（0.00169，性能较差）

4.持续训练

在开始训练时我们设置了轮次50次，使用官方预处理权重pt文件：

python train.py --img 640 --batch 16 --epochs 50 --data datasets/data.yaml --weights yolov5s.pt --workers 0
这个训练指令，每次执行都是独立训练，效果不会叠加

那么想要长期持续训练，应该怎么办呢？

首先，我们首次完成训练的轮次后，会生成一个runs文件夹保存我们的训练结果，在 /home/yolov5/runs/train/exp/weights 路径下有两个pt文件，best.pt 和 last.pt 是两个关键的模型权重文件，我们想要恢复训练需要使用到这两个权重文件；

best.pt 含义：是训练过程中在验证集上表现最优的模型权重

best.pt 特点：

1.保存的是验证集精度最高的版本，通常用于实际部署；

2.文件大小较小；

last.pt 含义：训练最后一个轮次的模型权重（无论性能如何）

last.pt 特点：

1.包含完整的模型状态（可继续训练）；

2.文件较大（默认保留优化器状态，便于 --resume 训练）；

指令对比

# 开始首次训练

python train.py --img 640 --batch 16 --epochs 50 --data datasets/data.yaml --weights yolov5s.pt --workers 0

# 恢复训练（从上次断点继续）

python train.py --resume /home/yolov5/runs/train/exp/weights/last.pt --epochs 50

【恢复训练 - 参数说明】

--epochs  总epoch数  这个应该和首次训练的轮次参数保持一致

--project runs/train --name exp1 训练结果保存

这个指令我理解是，我本来想要执行50轮次的训练，但是训练到轮次20时异常中断了，然后通过这个指令可以让剩下的轮次继续执行结束从21到50；

# 持续优化训练

原数据集：

python train.py --img 640 --batch 16 --epochs 50 --data datasets/data.yaml --weights /home/yolov5/runs/train/exp/weights/last.pt --epochs 50 --workers 0

有新增数据：

python train.py --img 640 --batch 16 --epochs 50 --data datasets/data.yaml --weights /home/yolov5/runs/train/exp/weights/best.pt --epochs 50 --workers 0

但是我现在不管有没有新增数据，都使用best.pt文件