YOLOV5-Pytorch目标检测

一、标注数据（labelimg标注工具）

       利用labelimg标注工具标注图片真实框，获得xml（voc）格式文件。标签名包括'ball'、'racket'、'hand'。如下图所示：

二、安装开发环境（docker、Linux、Python、Opencv)

               直接用docker拉取镜像，代码如下：docker pull ultralytics/yolov5:latest

               创建容器，代码如下：docker run --shm-size 64g --gpus all --network host -v /mnt/d/train/yolov5:/yolov5 --name yolov5 -d ultralytics/yolov5:latest tail -f /dev/null

               进入容器：docker exec -it yolov5 bash

如下图所示：

三、标签xml（voc）格式转为txt（yolov）格式并划分数据集

xml文件如图所示：

txt文件如图所示：

划分后的数据集如图所示：

以上操作就完成了数据集和开发环境的准备

四、下载预权重

可以参考此博主的文章：https://blog.youkuaiyun.com/qxqsunshine/article/details/128321451

这里以yolov5s.pt为例，如下图所示：

五、数据集和模型配置文件

数据集配置文件如图所示：

模型配置文件：yolov5s.yaml

备注：只需要修改类别数量即可

以上就完成了所有前期的准备工作

六、编辑训练脚本：vim train.py

备注：--weights：预权重目录

          --cfg：模型配置文件

           --data：数据集配置文件

          --epoch：迭代次数

          --batch-size：批量大小（主要与内存有关，一般取32、64、96）

          --device：gpu数据量（一般默认选择0，即单gpu训练）

设置完成以上参数就可以开始训练了，训练完成如下图所示：

七、预测图片和视频检验效果：vim detect.py

备注：--weight：修改为训练出来的权重文件

          --source：需要预测的图片、数据集、视频、实时视频

          --data：数据集配置文件

          --conf-thres：置信度阙值；--iou-thres：iou阙值

数据集预测结果如图所示：

下一步计划是采用opencv部署模型。