（3）YOLOV5算法一之Windows10下yolov5安装测试并训练自己的数据集

准备工作

系统：window10
CUDA：10.1
CUDNN：7.4
python：3.7
opencv-python>=4.1.2
pytorch>=1.7.0

安装教程网上一大堆，不再赘述，CUDA和CUDNN下载链接可在我的另一篇博客中直接引用：https://blog.csdn.net/yohnyang/article/details/123958642

1.环境配置

1.1查看已安装环境

conda env list

若想新建环境，可通过以下指令：

conda create -n yolov5 python=3.8

激活环境

conda activate yolov5

1.2 torch安装

到pytorch官网：https://pytorch.org/下载torch_cuda版：


直接复制以下命令！，然后换源安装->速度挺快的！

#pip install torch==1.8.1+cu102 torchvision==0.9.1+cu102 torchaudio===0.8.0 
#-f https://download.pytorch.org/whl/torch_stable.html
*******************************************************************************
#亲测过了，安装1.8总报错，用下边版本吧
pip install torch==1.7.0+cu101 torchvision==0.8.1+cu101 torchaudio===0.7.0 
-f https://download.pytorch.org/whl/torch_stable.html

输入下面的命令可直接永久设置为清华源，换了吧，反正没啥坏处！

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

安装好之后进行如下操作：

pip install --upgrade numpy #更新numpy

#输入：
>>>python
>>>import torch as t
>>>t.__version__

#查看是否可用
>>>import torch as t
>>>t.cuda.is_available

2.源码下载与测试

在GitHub上下载源码：yolov5-master —> https://github.com/ultralytics/yolov5

2.1下载依赖包

在环境中安装requirements.txt文件中的包：

如果遇到以上因解码出现的警告，则电脑左下角搜索栏输入：更改国家或地区->语言->管理语言设置
->更改系统区域设置->UTF-8勾选->确定
然后重新下载！成功解决！

2.2 下载官方权重

• 作者在GitHub中给出了他们训练出来的权重文件：权重文件 – https://github.com/ultralytics/yolov5/releases
• 找不到用这个：https://github.com/ultralytics/yolov5/releases/tag/v5.0
• 并给出了各种权重文件的检测效果，我们可以随意下载。

在yolov5目录下新建weights文件夹，将下载好的权重放在里边

2.3 测试yolov5n

运行相应权重的模型----，成功后显示如下：

F:\Deeplearning\yolov5-master>conda activate yolov5

(yolov5) F:\Deeplearning\yolov5-master>python detect.py --source ./data/images/ --weights ./weights/yolov5n.pt --conf 0.4

查看检测结果：在yolov5-master目录下会生成一个新的文件夹runs，检测结果在.\yolov5-master\runs\detect\exp

3.训练自己数据集

3.1 数据集准备

我的操作是新建一个mytrain文件夹，将label标定好的 .xml 放到了 xmls 中，然后再另建一个新文件夹存放转换后的 .txt 文件，具体如下：

修改对应的路径，通过下边的demo将.xml转换为.txt

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join


def convert(size, box):
    x_center = (box[0] + box[1]) / 2.0
    y_center = (box[2] + box[3]) / 2.0
    x = x_center / size[0]
    y = y_center / size[1]

    w = (box[1] - box[0]) / size[0]
    h = (box[3] - box[2]) / size[1]

    return (x, y, w, h)


def convert_annotation(xml_files_path, save_txt_files_path, classes):
    xml_files = os.listdir(xml_files_path)
    print(xml_files)
    for xml_name in xml_files:
        print(xml_name)
        xml_file = os.path.join(xml_files_path, xml_name)
        out_txt_path = os.path.join(save_txt_files_path, xml_name.split('.')[0] + '.txt')
        out_txt_f = open(out_txt_path, 'w')
        tree = ET.parse(xml_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'):
            difficult = obj.find('difficult').text
            cls = obj.find('name').text
            if cls not in classes or int(difficult) == 1:
                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))
            # b=(xmin, xmax, ymin, ymax)
            print(w, h, b)
            bb = convert((w, h), b)
            out_txt_f.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


if __name__ == "__main__":
    classes = ['person', 'face','hand','garb','larwas','conwas','foowas','recyc'] #8类
    # 1、voc格式的xml标签文件路径
    xml_files1 = r'F:\Deeplearning\yolov5-master\mytrain\xmls'
    # 2、转化为yolo格式的txt标签文件存储路径
    save_txt_files1 = r'F:\Deeplearning\yolov5-master\mytrain\labels'

    convert_annotation(xml_files1, save_txt_files1, classes)

然后需要手动分割训练集与测试集，自动实现也可以，详见我的另一篇博客YOLOV5算法二之数据集转换及自动划分训练集与测试集，求赞哈哈！
images存放 .jpg 格式的训练图像(800张)与测试图像(100张)
labels存放对应的 .txt 格式的标签文件 训练(800)与测试(100）

3.2 修改配置文件

首先，在data中复制一份VOC.yaml,重命名为自己的文件，我的是garbage.yaml,修改路径和类别，其他可以注释掉，具体如下：

计划通过yolov5s进行训练，所以需要修改对应文件的类别数目，具体如下：

再然后，将train.py也复制一份，参照下图修改对应的参数配置，具体如下：

3.3 开始训练

我后边将工程通过pycharm打开了，所以直接在train_gar文件中右键运行即可开始训练，训练过程如下：

有生成的文件保存到了下边路径，但还没具体弄清楚是什么，就酱吧

3.4 新模型测试

模型的区别主要是权重，如果想用自己训练后的模型进行检测效果测试，将上边weights文件中的best.pt复制，然后替换掉开始设置的yolov5s.pt，再次运行detect.py即可。

参考：
1. Windows10+YOLOv5训练自己的数据集
2. Yolov5训练自己的数据集