YOLOv5——模型的训练train.py与图片的标注

一、下载源码

项目地址：
https://github.com/ultralytics/yolov5.githttps://github.com/ultralytics/yolov5.git

git clone https://github.com/ultralytics/yolov5
# 用于克隆yolov5项目
cd yolov5
pip install -r requirements.txt  
# 安装所有依赖库

下载完成后执行python detect.py测试yolov5是否可以正常运行

运行结果会放置在yolov5/runs/detect

二、数据集准备

可以直接下载已有数据集也可以手动标注图片制作数据集

本文使用labelimg来完成手动标注数据集这一步骤

1.安装labelimg

pip install labelimg

2.启动labelimg

安装完成后，直接输入labelimg会打开标注界面

3.标注数据集

打开要标注的图片文件夹，并修改标注信息存储路径，然后开始标注

标注完后，标注信息存储路径下会出现标注文件，格式为txt文本

每张图片的标注信息与图片名相同，最终会多一个classes.txt文件，这个文件保存有所有的标注类别

三、修改配置文件

1.模型配置文件

官方给出的已有的模型配置文件一般在yolov5/models路径下，如下面的yolov5s.yaml

自己训练模型时，只需要修改下识别结果的总类别数 nc

总类别数

nc: 80 # number of classes

倍增因子

depth_multiple (深度倍增因子):

这个参数决定了模型每个层的深度，也就是每个模块中的重复次数。值为 0.33 表示模型的深度会减少到原始深度的 33%。

width_multiple (宽度倍增因子):

这个参数用于调整模型每层的通道数（卷积层的输出通道数）。值为 0.50 表示模型的宽度（通道数）将减少到原始宽度的 50%。

depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple

锚框

anchors:
  - [10, 13, 16, 30, 33, 23] # P3/8
  - [30, 61, 62, 45, 59, 119] # P4/16
  - [116, 90, 156, 198, 373, 326] # P5/32

网络结构

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [
    [-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
    [-1, 1, Conv, [128, 3, 2]], # 1-P2/4
    [-1, 3, C3, [128]],
    [-1, 1, Conv, [256, 3, 2]], # 3-P3/8
    [-1, 6, C3, [256]],
    [-1, 1, Conv, [512, 3, 2]], # 5-P4/16
    [-1, 9, C3, [512]],
    [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
    [-1, 3, C3, [1024]],
    [-1, 1, SPPF, [1024, 5]], # 9
  ]
# YOLOv5 v6.0 head
head: [
    [-1, 1, Conv, [512, 1, 1]],
    [-1, 1, nn.Upsample, [None, 2, "nearest"]],
    [[-1, 6], 1, Concat, [1]], # cat backbone P4
    [-1, 3, C3, [512, False]], # 13

    [-1, 1, Conv, [256, 1, 1]],
    [-1, 1, nn.Upsample, [None, 2, "nearest"]],
    [[-1, 4], 1, Concat, [1]], # cat backbone P3
    [-1, 3, C3, [256, False]], # 17 (P3/8-small)

    [-1, 1, Conv, [256, 3, 2]],
    [[-1, 14], 1, Concat, [1]], # cat head P4
    [-1, 3, C3, [512, False]], # 20 (P4/16-medium)

    [-1, 1, Conv, [512, 3, 2]],
    [[-1, 10], 1, Concat, [1]], # cat head P5
    [-1, 3, C3, [1024, False]], # 23 (P5/32-large)

    [[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
  ]

2.数据集配置文件

官方给出的已有的数据集配置文件一般在yolov5/data路径下，如下面的coco.yaml

开头注释，指明许可证，使用COCO 2017数据集，示例用法，文件结构，以及数据集的三种指定方式：

# Ultralytics YOLOv5 🚀, AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: python train.py --data coco.yaml
# parent
# ├── yolov5
# └── datasets
#     └── coco  ← downloads here (20.1 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]

配置数据集路径，path指根路径，数据集所在的最外层文件夹，设置path后其他文件的路径均以path为基准。

train指训练集，test指测试集，val指验证集，可以设置为图片文件夹的位置或存有目录地址的文本文件：

path: ../datasets/coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

所有要识别的目标的种类，从0开始编号

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  ············
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

如果使用的数据集不存在，会自动从url下载到本地（官方给出的数据集）：

# Download script/URL (optional)
download: |
  from utils.general import download, Path

  # Download labels
  segments = False  # segment or box labels
  dir = Path(yaml['path'])  # dataset root dir
  url = 'https://github.com/ultralytics/assets/releases/download/v0.0.0/'
  urls = [url + ('coco2017labels-segments.zip' if segments else 'coco2017labels.zip')]  # labels
  download(urls, dir=dir.parent)

  # Download data
  urls = ['http://images.cocodataset.org/zips/train2017.zip',  # 19G, 118k images
          'http://images.cocodataset.org/zips/val2017.zip',  # 1G, 5k images
          'http://images.cocodataset.org/zips/test2017.zip']  # 7G, 41k images (optional)
  download(urls, dir=dir / 'images', threads=3)

自己训练模型时，只需要保留数据集路径配置和检测目标种类即可，如：

train: ../../Datas/train/images
val: ../../Datas/valid/images
test: ../../Datas/test/images

names: 
  0: A
  1: B
  2: C
  3: D
  4: E
  5: F
  6: G
  7: H
  8: I
  9: J
  10: K
  11: L
  12: M
  13: N
  15: O
  14: P
  16: Q
  17: R
  18: S
  19: T
  20: U
  21: V
  22: W
  23: X
  24: Y
  25: Z

三、训练模型

1.模型训练

训练模型使用train.py,

YOLOv5提供了在COCO数据集上预训练后的参数，我们可以通过参数--weights yolov5s.pt加载预训练参数进行迁移学习，或在训练大数据集时用一个空的--weights ''参数从零开始训练

 yolov5预训练模型下载链接

Release v7.0 - YOLOv5 SOTA Realtime Instance Segmentation · ultralytics/yolov5 (github.com)https://github.com/ultralytics/yolov5/releases/v7.0

使用预训练好的yolov5模型，设置好要使用的预训练模型，数据集配置，模型配置，要训练的轮数，每批次处理的图片数：

python train.py --weight yolov5s.pt --data data.yaml --cfg yolov5s.yaml --epochs 100 --batch-size 8

# 使用预训练的模型yolov5s.pt
# 数据集配置文件为data.yaml，模型配置文件为yolov5s.yaml
# 训练的轮数为100，每批次处理8张图片

2.参数列表

参数	功能	传入信息示例
--weights	指定初始权重文件路径	权重文件路径，如 ROOT / "yolov5s.pt"
--cfg	指定模型配置文件（model.yaml）路径	模型配置文件路径，如 ""
--data	指定数据集配置文件（dataset.yaml）路径	数据集配置文件路径，如 ROOT / "data/coco128.yaml"
--hyp	指定超参数文件路径	超参数文件路径，如 ROOT / "data/hyps/hyp.scratch-low.yaml"
--epochs	指定总训练轮数	整数，如 100
--batch-size	指定总批处理大小（对所有 GPU，-1 表示自动调整）	整数，如 16
--imgsz	指定训练和验证图像大小（像素）	整数，如 640
--rect	是否进行矩形训练	布尔值，action="store_true"，若执行命令时带有该参数则为 True
--resume	是否从最近的训练中恢复，若没有参数则默认为 False，有参数但不具体指定值时默认为 True	布尔值或空参数，如 nargs="?"，const=True，default=False
--nosave	是否只保存最终检查点	布尔值，action="store_true"，若执行命令时带有该参数则为 True
--noval	是否只验证最终的 epoch	布尔值，action="store_true"，若执行命令时带有该参数则为 True
--noautoanchor	是否禁用自动锚框	布尔值，action="store_true"，若执行命令时带有该参数则为 True
--noplots	是否不保存绘图文件	布尔值，action="store_true"，若执行命令时带有该参数则为 True
--evolve	进化超参数的代数，如果没有参数则默认为 300	整数或空参数，如 nargs="?", const=300
--evolve_population	指定加载种群的位置	路径，如 ROOT / "data/hyps"
--resume_evolve	指定从哪一代恢复进化	字符串，如 None
--bucket	指定 gsutil 存储桶	字符串，如 ""
--cache	指定图像缓存方式（ram 或 disk），如果没有参数则默认为 ram	字符串或空参数，如 nargs="?", const="ram"
--image-weights	是否使用加权图像选择进行训练	布尔值，action="store_true"，若执行命令时带有该参数则为 True
--device	指定 CUDA 设备，若为空则为 CPU	设备编号或 "cpu"，如 ""
--multi-scale	是否进行图像尺寸变化（+/- 50%）	布尔值，action="store_true"，若执行命令时带有该参数则为 True
--single-cls	是否将多类数据作为单类训练	布尔值，action="store_true"，若执行命令时带有该参数则为 True
--optimizer	选择优化器（SGD、Adam、AdamW）	字符串，如 "SGD"
--sync-bn	是否使用同步批归一化，仅在分布式数据并行（DDP）模式下可用	布尔值，action="store_true"，若执行命令时带有该参数则为 True
--workers	指定最大数据加载器工作线程数（在 DDP 模式下每个 RANK）	整数，如 8
--project	指定保存训练结果的项目路径	路径，如 ROOT / "runs/train"
--name	指定保存训练结果的名称	字符串，如 "exp"
--exist-ok	若项目 / 名称已存在是否继续，不递增	布尔值，action="store_true"，若执行命令时带有该参数则为 True
--quad	是否使用四倍数据加载器	布尔值，action="store_true"，若执行命令时带有该参数则为 True
--cos-lr	是否使用余弦学习率调度器	布尔值，action="store_true"，若执行命令时带有该参数则为 True
--label-smoothing	指定标签平滑参数	浮点数，如 0.0
--patience	指定早停法的耐心值（没有改进的轮数）	整数，如 100
--freeze	指定冻结的层，例如 backbone=10, first3=0 1 2	整数组成的列表，如 [0]
--save-period	指定每隔多少个 epoch 保存一次检查点（小于 1 则禁用）	整数，如 -1
--seed	指定全局训练种子	整数，如 0
--local_rank	自动 DDP 多 GPU 参数，不要修改	整数，如 -1
--entity	指定实体	字符串，如 None
--upload_dataset	是否上传数据集，参数为 “val” 时有特定选项	布尔值或空参数，如 nargs="?", const=True，default=False
--bbox_interval	设置边界框图像日志记录间隔	整数，如 -1
--artifact_alias	指定数据集工件的版本别名	字符串，如 "latest"
--ndjson-console	是否将 NDJSON 日志记录到控制台	布尔值，action="store_true"，若执行命令时带有该参数则为 True
--ndjson-file	是否将 NDJSON 日志记录到文件	布尔值，action="store_true"，若执行命令时带有该参数则为 True

3.常用参数

1）--weights
指定初始权重文件路径，例如 ROOT/yolov5s.pt

2.）-cfg
指定模型配置文件路径，例如 model.yaml

3）--data
指定数据集配置文件路径，例如 ROOT/data/coco128.yaml

4）--epochs
指定总训练轮数，整数值（如 100）

5）--batch-size
指定总批处理大小，整数值（如 16），-1 表示自动调整

6）--imgsz
指定训练和验证图像大小（像素），整数值（如 640）

7）--resume
是否从最近的训练中恢复，布尔值或空参数，默认为 False

8）--device
指定 CUDA 设备，若为空则为 CPU（如 ""）

9）--project
指定保存训练结果的项目路径，如 ROOT/runs/train

10）--name
指定保存训练结果的名称（如 "exp"）

4.训练结果

模型最终训练完成后会保存在yolov5/runs/train路径下

在训练结果文件夹下会有/weight文件夹，里面存放着训练最好的模型与最后一轮训练的模型，一般使用best.pt。

结果文件夹下还有很多评价模型优度的文件，如混淆矩阵confusion_matrix,F1_curve，P_curve，R_curve，在训练集和验证集上的召回率、准确率和损失率等，以及对数据的分析信息