使用YOLOv5训练自己的数据集

使用YOLOv5训练自己的数据

新东西出来，总是要试试，这几天使用了yolov5跑了几个模型，特来记录一下心得与坑。
作者给出的教程，可以先浏览一下: link.
源码下载链接: link.

一.环境部署

yolov5基于pytouch，在测试时发现与环境内的tensorflow会产生冲突，建议用ANACONDA新建pytouch的独立环境。
打开文件夹里的requirements.txt文件，用ANACONDA手动安装，或

pip install -U -r requirements.txt

二.数据集准备

yolov5使用的是yolo格式的标注文件，内容长这样，第一个数是标签的序号，后面四个是坐标。

标注软件依然是labelimg，在使用前将VOC格式转换为YOLO即可

如果有之前标注好的xml文件，可以通过脚本直接转成yolo所需的txt格式: link.
不过在转换完成后记得添加labels文件，标注文件根据序号从labels里面对应标签。

标注完后，建立如下目录，目录要求除了images/labels不同外，其他文件夹名必须相同，程序会根据images的路径推算出labels的路径。

到此数据集准备完毕，在data/coco128.yaml文件里，修改为自己的参数，到这一步就可以尝试train。

三.参数调整

yolov5提供了几种权重供选择，其中5l的性价比最高，适合CV爱好者日常研究；5x效果最好，如果硬件配置低，还可以选用只有27M的5s

在train.py修改你选用的权重，并前往权重文件中将nc改为和你样本库匹配的值。
根据要求修改epoch和batchsize，就可以开始初步的训练了。

四：常见问题

下面有朋友遇到了这个问题：

// File "D:\yolov5-master\test.py", line 89, in test img = img.half() if half else img.float() # uint8 to fp16/32 UnboundLocalError: local variable 'half' referenced before assignment

我们常见的float数据占用32bit, double数据占用64bit，而half（）这个函数将数据占用降到了16bit，称为半精度，在yolov5中也内置了这个函数，降低精度换来速度。
这边主要是在用GPU跑时正常，在用CPU跑时使用半精度。
而部分版本的yolov5里half代码是不完整的（三个朋友下了三个不同的版本）
而报上面那个错的原因主要是在test.py里面，在判断 if modle is none：时，未定义half的值

    if model is None:
        training = False
        device = torch_utils.select_device(opt.device, batch_size=batch_size)
        half = device.type != 'cpu'  # half precision only supported on CUDA;

    else:  # called by train.py
        training = True
        device = next(model.parameters()).device  # get model device
        # half disabled https://github.com/ultralytics/yolov5/issues/99
        half = False  # device.type != 'cpu' and torch.cuda.device_count() == 1
        if half:
            model.half()  # to FP16

在if else中都有体现half，根据上述代码查验即可，当然，也可以直接ctrl+f搜索half，将后续用到half的地方，如

img = img.half() if half else img.float()

在此调用了half，half的值应为（t or f）
直接改成

img = img.half() #二选一
img = img.float() #half都没用上，自然也不会报错了（狗头.jpg）

在windows下训练时不定时报错[win error5],原因大概是在多线程的时候出了问题，具体解决方法未找到，换成ubuntu后一切正常。

版权声明：本文为CSDN博主「Laovife」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/laovife/article/details/106802725