VOC2007 数据集作为演示

环境准备

  1. https://github.com/FLyingLSJ/yolov5.git 
  2. https://gitee.com/Flying_2016/yolov5.git　# 码云，下载速度比较快
  4. conda create -n yolo python=3.7  # 创建一个虚拟环境
  6. cd yolov5
  8. # 安装依赖，用清华源
  9. pip install -qr requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple # install dependencies

准备数据

数据集文件结构如下：
image.png

拆分成训练集和测试集，images 文件夹是训练集和测试集的图片（本次使用的是 VOC2007 数据集），按照官方的拆分来拆分成训练集和验证集。

labels 文件夹是训练集和测试集的标注文件（txt 文件）格式如下：
78174482-307bb800-740e-11ea-8b09-840693671042.png
注意：图片名和标注名需要一一对应
YOLOv5 与 YOLOv3 在数据集的文件结构上是有差异的

路径构建好后，修改 data 文件夹下 voc.yaml 配置文件

  1. # PASCAL VOC dataset http://host.robots.ox.ac.uk/pascal/VOC/
  2. # Download command: bash ./data/get_voc.sh
  3. # Train command: python train.py --data voc.yaml
  4. # Default dataset location is next to /yolov5:
  5. #   /parent_folder
  6. #     /VOC
  7. #     /yolov5
  10. # train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
  11. train: /openbayes/home/yolov5/data/images/train  # 16551 images  # 改成自己的路径
  12. val: /openbayes/home/yolov5/data/images/val/  # 4952 images
  14. # number of classes
  15. nc: 20  
  17. # class names
  18. names: ['aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable', 'dog',
  19.         'horse', 'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor']

模型选择

model 文件夹下的模型配置文件，我们使用的是 yolov5s.yaml 并用预训练模型进行训练

  1. # parameters
  2. nc: 20  # number of classes
  3. depth_multiple: 0.33  # model depth multiple
  4. width_multiple: 0.50  # layer channel multiple
  6. # anchors
  7. anchors:
  8.   - [10,13, 16,30, 33,23]  # P3/8
  9.   - [30,61, 62,45, 59,119]  # P4/16
  10.   - [116,90, 156,198, 373,326]  # P5/32
  12. # YOLOv5 backbone
  13. backbone:
  14.   # [from, number, module, args]
  15.   [[-1, 1, Focus, [64, 3]],  # 0-P1/2
  16.    [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
  17.    [-1, 3, BottleneckCSP, [128]],
  18.    [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
  19.    [-1, 9, BottleneckCSP, [256]],
  20.    [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
  21.    [-1, 9, BottleneckCSP, [512]],
  22.    [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
  23.    [-1, 1, SPP, [1024, [5, 9, 13]]],
  24.    [-1, 3, BottleneckCSP, [1024, False]],  # 9
  25.   ]
  27. # YOLOv5 head
  28. head:
  29.   [[-1, 1, Conv, [512, 1, 1]],
  30.    [-1, 1, nn.Upsample, [None, 2, 'nearest']],
  31.    [[-1, 6], 1, Concat, [1]],  # cat backbone P4
  32.    [-1, 3, BottleneckCSP, [512, False]],  # 13
  34.    [-1, 1, Conv, [256, 1, 1]],
  35.    [-1, 1, nn.Upsample, [None, 2, 'nearest']],
  36.    [[-1, 4], 1, Concat, [1]],  # cat backbone P3
  37.    [-1, 3, BottleneckCSP, [256, False]],  # 17 (P3/8-small)
  39.    [-1, 1, Conv, [256, 3, 2]],
  40.    [[-1, 14], 1, Concat, [1]],  # cat head P4
  41.    [-1, 3, BottleneckCSP, [512, False]],  # 20 (P4/16-medium)
  43.    [-1, 1, Conv, [512, 3, 2]],
  44.    [[-1, 10], 1, Concat, [1]],  # cat head P5
  45.    [-1, 3, BottleneckCSP, [1024, False]],  # 23 (P5/32-large)
  47.    [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  48.   ]

训练

  1. python train.py --img 640 --batch 32 --epochs 30 --data ./data/voc.yaml --cfg ./models/yolov5s.yaml --weights 'weights/yolov5s.pt'

image.png

30 个轮次差不多用了 40 分钟

测试

  1.  python test.py --weights tf_log/exp0/weights/best.pt --data data/voc.yaml --img 640

查看 测试集上 mAP 等指标信息

可视化

runs/exp0 文件下可以查看训练的各种指标信息

download.png