Yolov5训练自己的数据集

先看下模型pt说明

YOLOv5s：这是 YOLOv5 系列中最小的模型。“s” 代表 “small”（小）。该模型在计算资源有限的设备上表现最佳，如移动设备或边缘设备。YOLOv5s 的检测速度最快，但准确度相对较低。

YOLOv5m：这是 YOLOv5 系列中一个中等大小的模型。“m” 代表 “medium”（中）。YOLOv5m 在速度和准确度之间提供了较好的平衡，适用于具有一定计算能力的设备。

YOLOv5l：这是 YOLOv5 系列中一个较大的模型。“l” 代表 “large”（大）。YOLOv5l 的准确度相对较高，但检测速度较慢。适用于需要较高准确度，且具有较强计算能力的设备。

YOLOv5x：这是 YOLOv5 系列中最大的模型。“x” 代表 “extra large”（超大）。YOLOv5x 在准确度方面表现最好，但检测速度最慢。适用于需要极高准确度的任务，且具有强大计算能力（如 GPU）的设备。

YOLOv5n：这是 YOLOv5 系列中的一个变体，专为 Nano 设备（如 NVIDIA Jetson Nano）进行优化。YOLOv5n 在保持较快速度的同时，提供适用于边缘设备的准确度。
 

图片标注我们用到了一个名为labelimg的工具：https://github.com/tzutalin/labelImg

找一个编译好的运行程序

下载后删除自带的分类文件

我这里也简要介绍一遍过程，然后也为大家避坑，我们在训练前首先需要采集图片样本，然后再对图片中的待识别物体进行标注。
我们首先需要建立如下的文件夹：

选择yolo环境，配置自动保存

添加标签

标记图形

快捷键

Ctrl + u    Load all of the images from a directory
Ctrl + r    Change the default annotation target dir
Ctrl + s    Save
Ctrl + d    Copy the current label and rect box
Ctrl + Shift + d    Delete the current image
Space    Flag the current image as verified
w    Create a rect box
d    Next image
a    Previous image
del    Delete the selected rect box
Ctrl++    Zoom in
Ctrl--    Zoom out
↑→↓← | Keyboard arrows to move selected rect box

标记保存后会在相应目录生成txt文件，文件中就是标记的坐标，和编号

最后还要做的是建立yaml文件，文件的位置也不要放错，咱们去yolov5程序中，复制VOC.yaml成test.yaml

其中train和val都是我们images的目录，labels的目录不用写进去，会自动识别。nc代表识别物体的种类数目，names代表种类名称，如果多个物体种类识别的话，可以自行增加。

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# PASCAL VOC dataset http://host.robots.ox.ac.uk/pascal/VOC by University of Oxford
# Example usage: python train.py --data VOC.yaml
# parent
# ├── yolov5
# └── datasets
#     └── VOC  ← downloads here (2.8 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, ..]
train: E:/hua/python/yolo_t/images/train/
val: E:/hua/python/yolo_t/images/val/
test: E:/hua/python/yolo_t/images/test/
# Classes
names:0: excav

进入环境

conda activate yolov5_cuda10.2

到目前，我们的训练的材料就已经准备好了，先测试下环境

python segment/predict.py --weights weights/yolov5m-seg.pt --data data/images/bus.jpg

测试环境提示保存环境就没有问题了

目录层级

修改train.py代码

import os下面添加
os.environ["GIT_PYTHON_REFRESH"] = "quiet"

 否则会出现 Example:
    export GIT_PYTHON_REFRESH=quiet错误

继续修改data文件

训练代码

python train.py 

出现如下错误

assert nf > 0 or not augment, f'{prefix}No labels found in {cache_path}, can not start training. {HELP_URL}'
AssertionError: train: No labels found in E:\hua\python\yolo_t\labels\train.cache, can not start training. See https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data

放弃挣扎了

直接使用现有例子

修改训练文件

进行训练 

python train.py 

训练完成

权重文件

可以自行修改添加数据

添加标记

添加类型

识别，修改detect.py

执行，等待出结果