yolov5-6.0训练自己的模型

关键词：

labelimg

数据标注

近期搜索了一些数据进行自己的模型训练，记录一下

一、labelimg的安装及使用，参考这位博主

目标检测---利用labelimg制作自己的深度学习目标检测数据集_炮哥带你学的博客

labelimg进行标注时我直接将label输出为yolo支持的  .txt文件

二、在项目中创建一个“MyData”文件夹

像下图一样的三层文件夹，备用

按下图创建

Mydata

        images

                train

        labels

                train

​

将照片全部放在images—train文件夹中

将labelimg的得到的.txt文件放在labels—train文件中

三、介绍下yolo中train.py的几个参数                                                                

ef parse_opt(known=False):
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')
#权重文件，我是用的yolov5s的模型，默认也可以设置为空，这里放的是权重文件的路径，我得权重文件放在项目的下一层，
所以直接在default那直接写权重名就行，如果后期处理出来的模型不好，可以将训练出来的模型再放在这，继续训练
    parser.add_argument('--cfg', type=str, default=ROOT / 'models/car_horse.yaml', help='model.yaml path')
#权重配置文件，我用的是yolo自己提供的配置文件，配置文件中需要修改一些参数，下面再讲
    parser.add_argument('--data', type=str, default=ROOT / 'data/car_horse.yaml', help='dataset.yaml path')
#这里放的是数据的权重文件

 1.ROOT /   是根目录的意思，后边也可以跟文件的绝对路径

 

2. 这里放官方提供的权重文件（s/m/l/x）

​

3.这里放的是官方提供的权重文件的配置文件在models—yolov5s.yaml（这里用的是s，也可以换成m/l/x）

​

 4.我这里放的是官方提供的cc128.yaml文件修改后的mydata.yaml文件，如下

​

 

 5.epochs是训练轮数，可以自己选择

6. 一次加载图片的数量，这里是16张

7. workers   配置低的或者没有GPU建议设置为0，如果设置太高（2的倍数）运行时可能报错

 其他的参数默认即可

三、运行train,py

运行窗显示这个就是在训练了

训练完时，出现报错，但是没有影响结果

 上github搜索，说是pytorch版本过高，因对结果没啥影响，所以就没去降级pytorch

我这是用的是torch11、cuda15

 训练完成，会出现如下的文件

weights中就是你训练的权重文件，一个是最好的，一个是最后的

下边那些就是训练中的一些数据记录，我也看不懂，等以后在学习再分享吧，这样就可以拿自己训练的pt文件在detect.py中替换官方提供的权重文件进行目标检测了

但是提议一点，数据集得在几千张效果才能有好的表现，我这是偷懒才整了几百张，效果不是很好。

如有错误请各位及时指正，共同进步~