前言

采用YOLOv5训练自己的数据集。

项目源码：https://github.com/ultralytics/yolov5

数据集制作教程：https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data

一、准备环节

计算机环境：Win10 + Python3.8 + cuda10.1
主要依赖：

matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0
tensorboard>=2.4.1
seaborn>=0.11.0
pandas
coremltools>=4.1
onnx>=1.8.1
scikit-learn==0.19.2
thop  # FLOPS computation
pycocotools>=2.0  # COCO mAP

2021-5-16更新，当前yolov5的最新版本为5.0，一定要用1.7版本以上的pytorch。

二、数据集制作

数据集制作：https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data

使用Labelbox或CVAT对图片进行标注，博主一直使用的是labelImg，数据集是已经标注好的，使用的是VOC格式，所以需要将其转换为darknet格式。

_可参考博客：_
_VOC数据集格式介绍
图像标注工具labelImg安装教程及使用方法_

2.1 my_dataset.yaml

首先仿照voc.yaml制作自己的my_dataset.yaml:

创建my_dataset.yaml之后，建立一个名为dataset的文件夹，用于存放训练集（稍后制作训练集存放于此文件夹）
dataset目录下，建立如下目录：

2.2 darknet 格式

每一张图片需要一个.txt文本，如果图片中不含有目标，可以不创建.txt文本。

.jpg文件和.txt文件需要放在不同目录下，命名相同，扩展名不同：

dataset/image/train/0000001.jpg # image
dataset/label/train/0000001.txt # label

每一个.txt文本的具体格式：

• 一行一个目标。
• 每一行的格式为：class x_center y_center width height。
• 需要标准化xywh，即每一个参数的范围为0-1。
• 类别通过数字进行表示，起始值为1。

2.3 voc转darknet代码

YOLOv5同样使用VOC数据集进行模型训练，那么其中一定包含将voc格式转换darknet格式的脚本。

该代码就写在get_voc.sh脚本内，将其内容复制出来对其进行修改。

根据数据集的不同，对classes内的类别进行修改。

# -_- coding:utf-8 -_-
import xml.etree.ElementTree as ET
import shutil

sets = [‘train’, ‘val’, ‘test’]
classes = [‘ore carrier’, ‘bulk cargo carrier’, ‘general cargo ship’, ‘container ship’, ‘fishing boat’, ‘passenger ship’]


def convert(size, box):
    dw = 1./(size[0])
    dh = 1./(size[1])
    x = (box[0] + box[1])/2.0 - 1
    y = (box[2] + box[3])/2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = “{:.8f}”.format(x_dw)
    w = “{:.8f}”.format(w_dw)
    y = “{:.8f}”.format(y_dh)
    h = “{:.8f}”.format(h_dh)
    return x, y, w, h


def convert_annotation(image_set, image_id):
    in_file = open(‘../data/Annotations/%s.xml’ % image_id)
    out_file = open(‘../labels/%s/%s.txt’ % (image_set, image_id), ‘w’)
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find(‘size’)
    w = int(size.find(‘width’).text)
    h = int(size.find(‘height’).text)

    for obj in root.iter(‘object’):
        cls = obj.find(‘name’).text
        if cls not in classes:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find(‘bndbox’)
        b = (float(xmlbox.find(‘xmin’).text), float(xmlbox.find(‘xmax’).text), float(xmlbox.find(‘ymin’).text), float(xmlbox.find(‘ymax’).text))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + “ “ + “ “.join([str(a) for a in bb]) + ‘\n’)


if __name__ == ‘__main__‘:
    for image_set in sets:
        image_ids = open(‘../data/ImageSets/Main/%s.txt’ % image_set).read().strip().split()

        for image_id in image_ids:
            print(image_set + ‘ ‘ + image_id)
            convert_annotation(image_set, image_id)
            # 复制图片到指定目录
            shutil.copy(‘../data/JPEGImages/%s.jpg’ % image_id, ‘../images/%s/%s.jpg’ % (image_set, image_id))

三、训练

3.1 模型选择

这里优先考虑准确度，选择了YOLOv5x6模型。

根据自己的需求选择下载。https://github.com/ultralytics/yolov5/releases

3.2 修改配置文件

复制data/voc.yaml并重命名为data/may_dataset.yaml，并修改内容。

# Default dataset location is next to YOLOv5:
#   /parent_folder
#     /VOC
#     /yolov5
# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: /home/work401/ZouQuchen/warship/images/train/
val: /home/work401/ZouQuchen/warship/images/val/

# number of classes
nc: 6

# class names
names: [ “AircraftCarrier”, “Destroyer”, “FishingBoat”, “GaurdShip”, “OilTanker”, “SupplyShip” ]

3.3 train.py

修改主函数中预训练权重文件和数据集的默认路径。

四、运行

运行train.py开始训练

读取一些基本数据：

读取图片信息：
开始训练

五、检测目标

这里使用源码中提供的模型进行测试。

不得不说，YOLOv5的检测效果真是太棒了！

步骤1：下载模型或将训练好的模型放在weights目录下。（这里使用源码中提供的模型）

步骤2： 运行detect.py进行检测。

这是detect.py的main函数，可修改weights选项选择不同的模型；修改source选择检测文件的路径。

if __name__ == ‘__main__‘:
    parser = argparse.ArgumentParser()
    parser.add_argument(‘—weights’, nargs=‘+’, type=str, default=‘yolov5s.pt’, help=‘model.pt path(s)’)
    parser.add_argument(‘—source’, type=str, default=‘data/test-images’, help=‘source’)  # file/folder, 0 for webcam
    parser.add_argument(‘—img-size’, type=int, default=640, help=‘inference size (pixels)’)
    parser.add_argument(‘—conf-thres’, type=float, default=0.25, help=‘object confidence threshold’)
    parser.add_argument(‘—iou-thres’, type=float, default=0.45, help=‘IOU threshold for NMS’)
    parser.add_argument(‘—device’, default=‘’, help=‘cuda device, i.e. 0 or 0,1,2,3 or cpu’)
    parser.add_argument(‘—view-img’, action=‘store_true’, help=‘display results’)
    parser.add_argument(‘—save-txt’, action=‘store_true’, help=‘save results to *.txt’)
    parser.add_argument(‘—save-conf’, action=‘store_true’, help=‘save confidences in —save-txt labels’)
    parser.add_argument(‘—classes’, nargs=‘+’, type=int, help=‘filter by class: —class 0, or —class 0 2 3’)
    parser.add_argument(‘—agnostic-nms’, action=‘store_true’, help=‘class-agnostic NMS’)
    parser.add_argument(‘—augment’, action=‘store_true’, help=‘augmented inference’)
    parser.add_argument(‘—update’, action=‘store_true’, help=‘update all models’)
    parser.add_argument(‘—project’, default=‘runs/detect’, help=‘save results to project/name’)
    parser.add_argument(‘—name’, default=‘exp’, help=‘save results to project/name’)
    parser.add_argument(‘—exist-ok’, action=‘store_true’, help=‘existing project/name ok, do not increment’)
    opt = parser.parse_args()
    print(opt)

    with torch.no_grad():
        if opt.update:  # update all models (to fix SourceChangeWarning)
            for opt.weights in [‘yolov5s.pt’, ‘yolov5m.pt’, ‘yolov5l.pt’, ‘yolov5x.pt’]:
                detect()
                strip_optimizer(opt.weights)
        else:
            detect()

4.2 Colaboratory运行（未成功，有待更新）

将项目文件（包括数据集）复制到Google云盘上。

启动Colaboratory，设置GPU运行：


挂载：

cd到项目目录下：

import os
os.chdir(“/content/gdrive/My Drive/Colab Notebooks/yolov5-master/“)

• 1
• 2

安装依赖（只成功安装了PyYaml，可能是其他的依赖这个平台都有）

!pip install -qr requirements.txt

• 1

查看配置：

import torch
from IPython.display import Image, clear_output  # to display images
from utils.google_utils import gdrive_download  # to download models/datasets

clear_output()
print(‘Setup complete. Using torch %s %s’ % (torch.__version__, torch.cuda.get_device_properties(0) if torch.cuda.is_available() else ‘CPU’))

运行：

!python train.py

• 1

运行失败，但是在笔记本上可以成功运行这一步。

寻找解决方法中……