项目的克隆
打开yolov5官网（GitHub – ultralytics/yolov5 at v5.0），下载yolov5的项目：
环境的安装（免额外安装CUDA和cudnn）
打开anaconda的终端，创建新的名为yolov5的环境（python选择3.8版本）：
conda create -n yolov5 python=3.8
执行如下命令，激活这个环境：
conda activate yolov5
打开pytorch的官网，选择自己显卡对应的pytorch版本（我的显卡为GTX1650，这里选择1.8.0pytorch版本）：
选择CUDA版本（这里我选择10.2），复制命令到anaconda终端执行：
至此pytorch环境安装完成，接下来验证CUDA和cudnn版本，打开Ptcharm，执行如下代码：
import torch print(torch.cuda.is_available()) print(torch.backends.cudnn.is_available()) print(torch.cuda_version) print(torch.backends.cudnn.version())
输出如下结果表示安装成功：
利用labelimg标注数据集：
labelimg的安装：
打开cmd命令控制台，输入如下的命令下载labelimg相关的依赖：
pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple
数据准备：
新建一个名为VOC2007的文件夹，在里面创建一个名为JPEGImages的文件夹存放需要打标签的图片文件；再创建一个名为Annotations的文件夹存放标注的标签文件；最后创建一个名为 predefined_classes.txt 的txt文件来存放所要标注的类别名称（这里我的类别一共有6类，分别是fanbingbing，jiangwen，liangjiahui，liuyifei，zhangziyi，zhoujielun）：
进入到刚刚创建的VOC2007路径，执行cmd命令：
输入如下的命令打开labelimg并初始化predefined_classes.txt里面定义的类：
labelimg JPEGImages predefined_classes.txt
打开view设置，勾选如下选项（建议勾选）：
标注数据：
按下快捷键W调出标注十字架，选择需要标注的对象区域，并定义自己要标注的类别：
打完标签后的图片会在Annotations 文件夹下生成对应的xml文件：
数据集格式转化及训练集和验证集划分
利用pycharm打开从yolov5官网下载的yolov5项目，在该项目目录下创建名为VOCdevkit的文件夹，并将刚才的VOC2007文件夹放入：
在VOCdevkit的同级目录下创建新的python文件，执行如下代码：
（注：classes里面必须正确填写xml里面已经标注好的类这里为classes = [“fanbingbing”, “jiangwen”, “liangjiahui”, “liuyifei”, “zhangziyi”, “zhoujielun”]）
import xml.etree.ElementTree as ET import pickle import os from os import listdir, getcwd from os.path import join import random from shutil import copyfile classes = ["fanbingbing", "jiangwen", "liangjiahui", "liuyifei", "zhangziyi", "zhoujielun"] # classes=["ball"] TRAIN_RATIO = 80 def clear_hidden_files(path): dir_list = os.listdir(path) for i in dir_list: abspath = os.path.join(os.path.abspath(path), i) if os.path.isfile(abspath): if i.startswith("._"): os.remove(abspath) else: clear_hidden_files(abspath) def convert(size, box): dw = 1. / size[0] dh = 1. / size[1] x = (box[0] + box[1]) / 2.0 y = (box[2] + box[3]) / 2.0 w = box[1] - box[0] h = box[3] - box[2] x = x * dw w = w * dw y = y * dh h = h * dh return (x, y, w, h) def convert_annotation(image_id): in_file = open("F:/Yolov5/yolov5_offical/yolov5-master/VOCdevkit/VOC2007/Annotations/%s.xml" % image_id) out_file = open('F:/Yolov5/yolov5_offical/yolov5-master/VOCdevkit/VOC2007/YOLOLabels/%s.txt' % 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'): 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)) bb = convert((w, h), b) out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + 'n') in_file.close() out_file.close() wd = os.getcwd() wd = os.getcwd() data_base_dir = os.path.join(wd, "F:/Yolov5/yolov5_offical/yolov5-master/VOCdevkit/") if not os.path.isdir(data_base_dir): os.mkdir(data_base_dir) work_sapce_dir = os.path.join(data_base_dir, "VOC2007/") if not os.path.isdir(work_sapce_dir): os.mkdir(work_sapce_dir) annotation_dir = os.path.join(work_sapce_dir, "Annotations/") if not os.path.isdir(annotation_dir): os.mkdir(annotation_dir) clear_hidden_files(annotation_dir) image_dir = os.path.join(work_sapce_dir, "JPEGImages/") if not os.path.isdir(image_dir): os.mkdir(image_dir) clear_hidden_files(image_dir) yolo_labels_dir = os.path.join(work_sapce_dir, "YOLOLabels/") if not os.path.isdir(yolo_labels_dir): os.mkdir(yolo_labels_dir) clear_hidden_files(yolo_labels_dir) yolov5_images_dir = os.path.join(data_base_dir, "images/") if not os.path.isdir(yolov5_images_dir): os.mkdir(yolov5_images_dir) clear_hidden_files(yolov5_images_dir) yolov5_labels_dir = os.path.join(data_base_dir, "labels/") if not os.path.isdir(yolov5_labels_dir): os.mkdir(yolov5_labels_dir) clear_hidden_files(yolov5_labels_dir) yolov5_images_train_dir = os.path.join(yolov5_images_dir, "train/") if not os.path.isdir(yolov5_images_train_dir): os.mkdir(yolov5_images_train_dir) clear_hidden_files(yolov5_images_train_dir) yolov5_images_test_dir = os.path.join(yolov5_images_dir, "val/") if not os.path.isdir(yolov5_images_test_dir): os.mkdir(yolov5_images_test_dir) clear_hidden_files(yolov5_images_test_dir) yolov5_labels_train_dir = os.path.join(yolov5_labels_dir, "train/") if not os.path.isdir(yolov5_labels_train_dir): os.mkdir(yolov5_labels_train_dir) clear_hidden_files(yolov5_labels_train_dir) yolov5_labels_test_dir = os.path.join(yolov5_labels_dir, "val/") if not os.path.isdir(yolov5_labels_test_dir): os.mkdir(yolov5_labels_test_dir) clear_hidden_files(yolov5_labels_test_dir) train_file = open(os.path.join(wd, "yolov5_train.txt"), 'w') test_file = open(os.path.join(wd, "yolov5_val.txt"), 'w') train_file.close() test_file.close() train_file = open(os.path.join(wd, "yolov5_train.txt"), 'a') test_file = open(os.path.join(wd, "yolov5_val.txt"), 'a') list_imgs = os.listdir(image_dir) # list image files prob = random.randint(1, 100) print("Probability: %d" % prob) for i in range(0, len(list_imgs)): path = os.path.join(image_dir, list_imgs[i]) if os.path.isfile(path): image_path = image_dir + list_imgs[i] voc_path = list_imgs[i] (nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path)) (voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path)) annotation_name = nameWithoutExtention + '.xml' annotation_path = os.path.join(annotation_dir, annotation_name) label_name = nameWithoutExtention + '.txt' label_path = os.path.join(yolo_labels_dir, label_name) prob = random.randint(1, 100) print("Probability: %d" % prob) if (prob # train dataset if os.path.exists(annotation_path): train_file.write(image_path + 'n') convert_annotation(nameWithoutExtention) # convert label copyfile(image_path, yolov5_images_train_dir + voc_path) copyfile(label_path, yolov5_labels_train_dir + label_name) else: # test dataset if os.path.exists(annotation_path): test_file.write(image_path + 'n') convert_annotation(nameWithoutExtention) # convert label copyfile(image_path, yolov5_images_test_dir + voc_path) copyfile(label_path, yolov5_labels_test_dir + label_name) train_file.close() test_file.close()
代码执行完成后目录结构如下：
下载预训练权重：
打开这个网址下载预训练权重，这里选择yolov5s.pt。
训练模型
修改数据配置文件：
找到data目录下的voc.yaml文件，将该文件复制一份，重命名为people.yaml：
打开people.yaml，修改相关参数（train，val，nc）：
修改模型配置文件：
找到models目录下的yolov5s.yaml文件，将该文件复制一份，重命名为yolov5s_people.yaml：
打开yolov5_people.yaml，修改相关参数（nc）：
训练模型：
打开irain.py，修改如下参数：
weights：权重的路径
cfg：yolov5s_people.yaml路径
data：people.yaml路径
epochs：训练的轮数
batch-size：每次输入图片数量（根据自己电脑情况修改）
workers：最大工作核心数（根据自己电脑情况修改）
运行train.py函数训练自己的模型。
tensorbord查看参数
打开pycharm的命令控制终端，运行如下命令：
tensorboard --logdir=runs/train
推理测试
模型训练完成后，会在主目录下产生一个名为runs的文件夹，在runs/train/exp/weights目录下会产生两个权重文件，一个是最后一轮的权重文件，一个是最好的权重文件。
打开detect.py文件，修改相关参数：
weights:权重路径（这里选择best.pt）
source:测试数据路径，可以是图片/视频，也可以是’0′(电脑自带摄像头)
行detect.py进行测试，测试结果会保存在runs/detect/exp目录下：
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
机房租用，北京机房租用，IDC机房托管， http://www.e1idc.net
