国外网站建设软件排行榜,玉溪市住房和建设局公布网站,宠物网站素材,珠海网站建设建站模板数据集准备
首先得准备好数据集#xff0c;你的数据集至少包含images和labels#xff0c;严格来说你的images应该包含训练集train、验证集val和测试集test#xff0c;不过为了简单说明使用步骤#xff0c;其中test可以不要#xff0c;val和train可以用同一个#xff0c;…数据集准备
首先得准备好数据集你的数据集至少包含images和labels严格来说你的images应该包含训练集train、验证集val和测试集test不过为了简单说明使用步骤其中test可以不要val和train可以用同一个因此我这里只用了一个images 其中images装的是图片数据labels装的是与图片一一对应同名的yolo格式txt即类别号经过归一化的中心x和y坐标以及宽和高 下载yolov5
到GitHub上下载整个项目的压缩包zip下来 下来解压zip把我们刚刚的数据集也放进去 再下载一个yolov5的预训练模型我这里选择yolov5n.pt下下来也放到解压文件夹中 然后用pycharm打开这个文件夹看看哪里标红还差什么软件包没安装给安装上
配置yaml
先配置一下yolov5预训练模型的yaml我下载的是yolov5n.pt模型因此需要配置一下yolov5n.yaml修改nc的数值为类别数目我这里的数据集只有乌骨鸡和狮头鹅因此改成2
# YOLOv5 by Ultralytics, AGPL-3.0 license# Parameters
nc: 2 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.25 # layer channel multiple
anchors:- [10,13, 16,30, 33,23] # P3/8- [30,61, 62,45, 59,119] # P4/16- [116,90, 156,198, 373,326] # P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2[-1, 1, Conv, [128, 3, 2]], # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]], # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]], # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]], # 9]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, nearest]],[[-1, 6], 1, Concat, [1]], # cat backbone P4[-1, 3, C3, [512, False]], # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, nearest]],[[-1, 4], 1, Concat, [1]], # cat backbone P3[-1, 3, C3, [256, False]], # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]], # cat head P4[-1, 3, C3, [512, False]], # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]], # cat head P5[-1, 3, C3, [1024, False]], # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)]然后开始配置数据集的yaml可以复制coco128.yaml的内容进行修改新建一个xxx.yaml修改path为数据集路径train为训练集的相对路径val为验证机的相对路径因为没有用上test因此把它注释掉了还有names也要修改为数据集的类别名
# YOLOv5 by Ultralytics, AGPL-3.0 license
# COCO128 dataset https://www.kaggle.com/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Example usage: python train.py --data coco128.yaml
# parent
# ├── yolov5
# └── datasets
# └── coco128 ← downloads here (7 MB)# 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, ..]
path: ikunData # dataset root dir
train: images # train images (relative to path) 128 images
val: images # val images (relative to path) 128 images
#test: # test images (optional)# Classes
names:0: goose1: chicken
开始训练
然后准备开始训练打开train.py修改它的参数主要是这三行代码需要修改修改预训练模型文件的路径配置文件的路径以及数据集配置文件的路径 parser.add_argument(--weights, typestr, defaultROOT / yolov5n.pt, helpinitial weights path)parser.add_argument(--cfg, typestr, defaultmodels/yolov5n.yaml, helpmodel.yaml path)parser.add_argument(--data, typestr, defaultROOT / ikunData.yaml, helpdataset.yaml path)
噢还有训练的epochs数目这个次数由你决定 parser.add_argument(--epochs, typeint, default30, helptotal training epochs)
然后就可以开始运行train.py。
运行完了会生成一个runs文件夹里面有训练出来的best.pt和训练过程的记录 然后开始目标检测准备好运行detect.py的参数最基本的就是运行的权重文件就是我们train出来的best.pt还有要测试的数据路径
--weights runs/train/exp/weights/best.pt --source ikunData/images
把它写到运行配置中去 然后开始运行detect.py运行完后会在runs里面生成detect文件夹里面就有检测结果 你可能会发现有多个框框在同一个目标上这时我们在detect.py上增加一个参数这里是nms非极大值抑制我们将IOU的阈值设置为0再次运行detect.py
--weights runs/train/exp/weights/best.pt --source ikunData/images --iou-thres 0 这次的效果要好一点
