手撕YOLOv5

一、前期准备

（一）下载YOLOv5源码

（二）准备权重文件和数据集

（三）配置环境

 

一、测试，运行detect.py

（一）测试。

python detect.py --source E:\PycharmProjects\pythonProject2\datasets\test-dev\20190925_143900_1_5\RGB.mp4

（二）剖析传参部分：

1. cfg,data,weights：前面看过了是一定要传的两个参；
2. hyp：参数咱暂时用不上，是指定一些超参数用的（学习率啥的）；
3. epochs： 轮数，默认300，需要指定；
4. batch-size：一次喂多少数据，我这内存就能给16，所以可以不传按默认16；
5. img-size： 训练和测试数据集的图片尺寸(个人理解为分辨率)，默认640，640nargs='+' 表示参数可设置一个或多个；
6. rect： 只要加上’–rect’程序就会将rect设为true，作用未知（应该是训练时启用矩形训练）；
7. resume： 重新训练（个人理解epoch会从头计算）；
8. notest：only test final epoch（这样训练中间变化趋势应该就看不到了）；
9. evolve：进化超参数（hyp），可以试试；
10. cache-images：cache images for faster training，可以试试；
11. name：renames results.txt to results_name.txt if supplied；
12. device：cuda device, i.e. 0 or 0,1,2,3 or cpu，我这默认已经用了gtx1060了，不用改；
13. single-cls：train as single-class dataset，暂时没用；

用tensorboard查看数据：

tensorboard --logdir=runs

二、训练

 python train.py --img 640 --batch-size 16 --epochs 10 --data data/coco128.yaml --cfg models/yolov5s.yaml

---------------------------慢慢等吧-----------------------------

训练完毕后会在runs→train中生成exp文件夹，包含训练好的权重文件和性能曲线

解释一下results.png中的各项数据:

1. Classification：推测为分类loss均值，越小分类越准；
2. Precision：准确率（找对的/找到的）；
3. Recall：召回率（找对的/该找对的）；
4. mAP@0.5 & mAP@0.5:0.95：这里说的挺好，总之就是AP是用Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值，@0.5:0.95表示阈值取0.5:0.05:0.95后取均值。
5. GIoU：推测为GIoU损失函数均值，越小方框越准；
6. Objectness：推测为目标检测loss均值，越小目标检测越准；
7. （后两个这里没有）

 三、遇到的问题

1、在使用tensorboard可视化结果时，报错：ValueError: Duplicate plugins for name projector

"Duplicate plugins for name %s" % plugin.plugin_name
ValueError: Duplicate plugins for name projector

 解决办法：

在该环境的文件夹下E:\Anaconda3\envs\yolov5\Lib\site-packages，找到：tensorboard-2.8.0.dist-info文件  ，删除该文件，即可。

删除后再运行，无报错。