摘要：YOLOv5並不是一個單獨的模型，而是一個模型家族，包括了YOLOv5s、YOLOv5m、YOLO...
本文分享自華為雲社區《YoloV5實戰：手把手教物體檢測——YoloV5》，作者： AI浩 。
摘要
YOLOV5嚴格意義上說並不是YOLO的第五個版本，因為它並沒有得到YOLO之父Joe Redmon的認可，但是給出的測試數據總體表現還是不錯。詳細數據如下
YOLOv5並不是一個單獨的模型，而是一個模型家族，包括了YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x、YOLOv5x+TTA，這點有點兒像EfficientDet。由於沒有找到V5的論文，我們也只能從代碼去學習它。總體上和YOLOV4差不多，可以認為是YOLOV5的加強版。
項目地址：
訓練
1、下載代碼
項目地址：
2、配置環境
matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.2 pillow PyYAML>=5.3 scipy>=1.4.1 tensorboard>=2.2 torch>=1.6.0 torchvision>=0.7.0 tqdm>=4.41.0
3、准備數據集
數據集采用Labelme標注的數據格式，數據集從RSOD數據集中獲取了飛機和油桶兩類數據集，並將其轉為Labelme標注的數據集。
數據集的地址： https://pan.baidu.com/s/1iTUpvA9_cwx1qiH8zbRmDg
提取碼：gr6g
或者：LabelmeData.zip_yolov5實戰-深度學習文檔類資源-CSDN下載
將下載的數據集解壓后放到工程的根目錄。為下一步生成測試用的數據集做准備。如下圖：
4、生成數據集
YoloV5的數據集和以前版本的數據集並不相同，我們先看一下轉換后的數據集。
數據結構如下圖：
images文件夾存放train和val的圖片
labels里面存放train和val的物體數據，里面的每個txt文件和images里面的圖片是一一對應的。
txt文件的內容如下：
格式：物體類別 x y w h
坐標是不是真實的坐標，是將坐標除以寬高后的計算出來的，是相對於寬和高的比例。
下面我們編寫生成數據集的代碼，新建LabelmeToYoloV5.py，然后寫入下面的代碼。
import os import numpy as np import json from glob import glob import cv2 from sklearn.model_selection import train_test_split from os import getcwd classes = ["aircraft", "oiltank"] # 1.標簽路徑 labelme_path = "LabelmeData/" isUseTest = True # 是否創建test集 # 3.獲取待處理文件 files = glob(labelme_path + "*.json") files = [i.replace("\\", "/").split("/")[-1].split(".json")[0] for i in files] print(files) if isUseTest: trainval_files, test_files = train_test_split(files, test_size=0.1, random_state=55) else: trainval_files = files # split train_files, val_files = train_test_split(trainval_files, test_size=0.1, random_state=55) def convert(size, box): dw = 1. / (size[0]) dh = 1. / (size[1]) x = (box[0] + box[1]) / 2.0 - 1 y = (box[2] + box[3]) / 2.0 - 1 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) wd = getcwd() print(wd) def ChangeToYolo5(files, txt_Name): if not os.path.exists('tmp/'): os.makedirs('tmp/') list_file = open('tmp/%s.txt' % (txt_Name), 'w') for json_file_ in files: json_filename = labelme_path + json_file_ + ".json" imagePath = labelme_path + json_file_ + ".jpg" list_file.write('%s/%s\n' % (wd, imagePath)) out_file = open('%s/%s.txt' % (labelme_path, json_file_), 'w') json_file = json.load(open(json_filename, "r", encoding="utf-8")) height, width, channels = cv2.imread(labelme_path + json_file_ + ".jpg").shape for multi in json_file["shapes"]: points = np.array(multi["points"]) xmin = min(points[:, 0]) if min(points[:, 0]) > 0 else 0 xmax = max(points[:, 0]) if max(points[:, 0]) > 0 else 0 ymin = min(points[:, 1]) if min(points[:, 1]) > 0 else 0 ymax = max(points[:, 1]) if max(points[:, 1]) > 0 else 0 label = multi["label"] if xmax <= xmin: pass elif ymax <= ymin: pass else: cls_id = classes.index(label) b = (float(xmin), float(xmax), float(ymin), float(ymax)) bb = convert((width, height), b) out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n') print(json_filename, xmin, ymin, xmax, ymax, cls_id) ChangeToYolo5(train_files, "train") ChangeToYolo5(val_files, "val") ChangeToYolo5(test_files, "test")
這段代碼執行完成會在LabelmeData生成每個圖片的txt標注數據，同時在tmp文件夾下面生成訓練集、驗證集和測試集的txt，txt記錄的是圖片的路徑，為下一步生成YoloV5訓練和測試用的數據集做准備。在tmp文件夾下面新建MakeData.py文件，生成最終的結果，目錄結構如下圖：
打開MakeData.py,寫入下面的代碼。
import shutil import os file_List = ["train", "val", "test"] for file in file_List: if not os.path.exists('../VOC/images/%s' % file): os.makedirs('../VOC/images/%s' % file) if not os.path.exists('../VOC/labels/%s' % file): os.makedirs('../VOC/labels/%s' % file) print(os.path.exists('../tmp/%s.txt' % file)) f = open('../tmp/%s.txt' % file, 'r') lines = f.readlines() for line in lines: print(line) line = "/".join(line.split('/')[-5:]).strip() shutil.copy(line, "../VOC/images/%s" % file) line = line.replace('JPEGImages', 'labels') line = line.replace('jpg', 'txt') shutil.copy(line, "../VOC/labels/%s/" % file)
執行完成后就可以生成YoloV5訓練使用的數據集了。結果如下：
5、修改配置參數
打開voc.yaml文件，修改里面的配置參數 train: VOC/images/train/ # 訓練集圖片的路徑 val: VOC/images/val/ # 驗證集圖片的路徑 # number of classes nc: 2 #檢測的類別，本次數據集有兩個類別所以寫2 # class names names: ["aircraft", "oiltank"]#類別的名稱，和轉換數據集時的list對應
6、修改train.py的參數
cfg參數是YoloV5 模型的配置文件，模型的文件存放在models文件夾下面，按照需求填寫不同的文件。 weights參數是YoloV5的預訓練模型，和cfg對應，例：cfg配置的是yolov5s.yaml，weights就要配置yolov5s.pt data是配置數據集的配置文件，我們選用的是voc.yaml，所以配置data/voc.yaml 修改上面三個參數就可以開始訓練了，其他的參數根據自己的需求修改。修改后的參數配置如下： parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path') parser.add_argument('--cfg', type=str, default='yolov5s.yaml', help='model.yaml path') parser.add_argument('--data', type=str, default='data/voc.yaml', help='data.yaml path')
修改完成后，就可以開始訓練了。如下圖所示：
7、查看訓練結果
在經歷了300epoch訓練之后，我們會在runs文件夾下面找到訓練好的權重文件和訓練過程的一些文件。如圖：
測試
首先需要在voc.yaml中增加測試集的路徑，打開voc.yaml，在val字段后面增加test: tmp/test.txt這行代碼，如圖：
修改test.py中的參數，下面的這幾個參數要修改。
parser = argparse.ArgumentParser(prog='test.py')
parser.add_argument('--weights', nargs='+', type=str, default='runs/exp7/weights/best.pt', help='model.pt path(s)')
parser.add_argument('--data', type=str, default='data/voc.yaml', help='*.data path')
parser.add_argument('--batch-size', type=int, default=2, help='size of each image batch')
parser.add_argument('--save-txt', default='True', action='store_true', help='save results to *.txt')
在275行 修改test的方法，增加保存測試結果的路徑。這樣測試完成后就可以在inference\images查看到測試的圖片，在inference\output中查看到保存的測試結果。
如圖：
下面是運行的結果：
