0.有些东西是前面yolov3训练时候就说过的会在文中注明：

1.下载代码;

2.准备数据集：

数据格式和yolov3一模一样。如果做过yolov3的数据集可以直接搬来用就行。详细见https://blog.csdn.net/gbz3300255/article/details/106276897 的第三节 -----------训练自己数据集的步骤。

准备文本文件有： train.txt test.txt val.txt lables的文本文件

train.txt，记录数据集下图片名字，类似这样，数据集图片存放在/data/images/目录下。

BloodImage_00091.jpg
BloodImage_00156.jpg
BloodImage_00389.jpg
BloodImage_00030.jpg
BloodImage_00124.jpg
BloodImage_00278.jpg
BloodImage_00261.jpg

test.txt，与面形式一样，内容是需要测试的图的文件名

BloodImage_00258.jpg
BloodImage_00320.jpg
BloodImage_00120.jpg

val.txt，与面形式一样，内容是验证集内图文件名

BloodImage_00777.jpg
BloodImage_00951.jpg

lables类文本，images中每张图像对应一个关于lables的文本，形式如下，名字类似这样BloodImage_00091.txt。

0 0.669 0.5785714285714286 0.032 0.08285714285714285

lables文本统一放在上面代码的/data/lables/中

3.修改配置文件：

3.1 在data文件夹下做个新的yml文件就叫trafficsigns.yaml吧。其内容如下。train的路径写2步骤的那个train.txt的文本所在路径，后两个类似弄。nc是类别数，我只检测4类就写4。names改成你的类别就好，偷懒没改。

# COCO 2017 dataset http://cocodataset.org
# Train command: python train.py --data coco.yaml
# Default dataset location is next to /yolov5:
#   /parent_folder
#     /coco
#     /yolov5


# download command/URL (optional)
download: bash data/scripts/get_coco.sh

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ../ImageSets/train.txt
val: ../ImageSets/val.txt
test: ../ImageSets/test.txt

# number of classes
nc: 4

# class names
names: ['0', '1', '2', '3']

# Print classes
# with open('data/coco.yaml') as f:
#   d = yaml.load(f, Loader=yaml.FullLoader)  # dict
#   for i, x in enumerate(d['names']):
#     print(i, x)

3.2 在models中修改下网络的配置文件吧，例如我准备用yolov5I这个模型，就将yolov5l.yaml修改为自己需要的样子。注意地方有这几处：

a.nc要改成你的类别数

b.anchors的大小要改成你自己的数据集跑出来的大小。详细可看https://blog.csdn.net/gbz3300255/article/details/106276897 修改anchors的具体方法，代码现成的，就是聚类。

# parameters
nc: 4  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple

# anchors
anchors:
  - [12,15, 14,20, 18,25]  # P3/8
  - [24,32, 24,18, 33,44]  # P4/16
  - [39,28, 59,49, 115,72]  # P5/32

# YOLOv5 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Focus, [64, 3]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, BottleneckCSP, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 9, BottleneckCSP, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, BottleneckCSP, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 1, SPP, [1024, [5, 9, 13]]],
   [-1, 3, BottleneckCSP, [1024, False]],  # 9
  ]

# YOLOv5 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, BottleneckCSP, [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, BottleneckCSP, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, BottleneckCSP, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, BottleneckCSP, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

4.训练呗：

python train.py --data data/trafficsigns.yaml --cfg models/yolov5I.yaml --weights '' --batch-size 16 --epochs 100

5.测试呗：

python detect.py --weights best.pt --img 320 --conf 0.4

我还没训练起来，因为torch版本太低，用不了cuda的amp模块，有空再搞搞吧，但大路就这样吧

【目标检测系列】yolov5训练自己的数据集（pytorch版）

1.下载代码;

2.准备数据集：

3.修改配置文件：

4.训练呗：

5.测试呗：

猜你喜欢