关键词:
1.安装cuda
可以先看看自己的 显卡信息,支持哪个cuda版本
cuda下载地址:https://developer.nvidia.com/cuda-toolkit-archive
我的RTX3060,下载的cuda11.8
下载后安装,直接默认安装到底,然后打开cmd,输入nvcc -V
2.安装cudnn
需要安装和cuda版本对应的cudnn
地址:https://developer.nvidia.com/rdp/cudnn-archive
下载对应的版本,解压替换到cuda安装目录下
3.安装Pytorch
我使用的是conda默认的环境,python3.9
进入pytorch官网:https://pytorch.org/
找到对应的版本下载,我这里不指定torch版本,直接运行
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
等待安装完成即可
4.安装标注软件
pip install labelImg
安装成功后直接运行 labelImg 打开软件
open dir打开图片文件夹,change save dir 选择保存的xml文件的文件夹
create rectBox去框选需要检测的目标,输入label name
标注完自己的数据
一个img图片文件夹, 一个和图片对应的xml文件夹
5. 将数据集进行分割
执行下面代码,即可得到分割好的数据集
import os import random import shutil img_path = \'img\' xml_path = \'xml\' def split_file_name(file_name): f_name, _ = file_name.split(\'.\') return f_name def split_move_file(target_path, save_basic_path, train_scale=0.9): train_img_path = os.path.join(save_basic_path, \'images/train\') train_xml_path = os.path.join(save_basic_path, \'xml/train\') val_img_path = os.path.join(save_basic_path, \'images/val\') val_xml_path = os.path.join(save_basic_path, \'xml/val\') print(save_basic_path, train_img_path) if not os.path.exists(train_img_path): os.makedirs(train_img_path) if not os.path.exists(train_xml_path): os.makedirs(train_xml_path) if not os.path.exists(val_img_path): os.makedirs(val_img_path) if not os.path.exists(val_xml_path): os.makedirs(val_xml_path) img_file_path = os.path.join(target_path, img_path) file_list = os.listdir(img_file_path) # print(file_list) # 得到名字列表 file_name_li = list(map(lambda x: split_file_name(x), file_list)) random.shuffle(file_name_li) # print(file_name_li) train_ind = int(len(file_name_li) * train_scale) train_data = file_name_li[:train_ind] val_data = file_name_li[train_ind:] print(\'total number\', len(file_name_li)) print(\'train number\', len(train_data)) print(\'val number\', len(val_data)) for file in train_data: file_path = os.path.join(img_file_path, file+\'.jpg\') save_path = os.path.join(train_img_path, file+\'.jpg\') if not os.path.exists(file_path): file_path = os.path.join(img_file_path, file + \'.jpeg\') save_path = os.path.join(train_img_path, file + \'.jpg\') if not os.path.exists(file_path): file_path = os.path.join(img_file_path, file + \'.png\') save_path = os.path.join(train_img_path, file + \'.png\') if os.path.exists(file_path): shutil.copyfile(file_path, save_path) # xml文件 xml_file_path = os.path.join(target_path, xml_path) file_path = os.path.join(xml_file_path, file + \'.xml\') save_path = os.path.join(train_xml_path, file + \'.xml\') if os.path.exists(file_path): shutil.copyfile(file_path, save_path) for file in val_data: file_path = os.path.join(img_file_path, file+\'.jpg\') save_path = os.path.join(val_img_path, file+\'.jpg\') if not os.path.exists(file_path): file_path = os.path.join(img_file_path, file + \'.jpeg\') save_path = os.path.join(val_img_path, file + \'.jpg\') if not os.path.exists(file_path): file_path = os.path.join(img_file_path, file + \'.png\') save_path = os.path.join(val_img_path, file + \'.png\') if os.path.exists(file_path): shutil.copyfile(file_path, save_path) # xml文件 xml_file_path = os.path.join(target_path, xml_path) file_path = os.path.join(xml_file_path, file + \'.xml\') save_path = os.path.join(val_xml_path, file + \'.xml\') if os.path.exists(file_path): shutil.copyfile(file_path, save_path) if __name__ == \'__main__\': target_path = r\'C:\\Users\\mojia\\Desktop\\maizi\\maozi20230326\' save_basic_path = r\'C:\\Users\\mojia\\Desktop\\maizi\\maozi20230326_train_val\' if not os.path.exists(save_basic_path): os.mkdir(save_basic_path) scale = 0.9 # 训练集比例 split_move_file(target_path, save_basic_path, scale)
6. 将标注的xml文件转换为txt文件格式
import xml.etree.ElementTree as ET import os 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 if w >= 1: w = 0.99 if h >= 1: h = 0.99 return (x, y, w, h) folder_li = [\'train\', \'val\'] def convert_annotation(rootpath, classes): labelpath = rootpath + \'/labels\' # 生成的.txt文件会被保存在labels目录下 if not os.path.exists(labelpath): os.makedirs(labelpath) for folder in folder_li: xmlpath = rootpath + \'/xml/\'+folder file_list = os.listdir(xmlpath) for xmlname in file_list: xmlfile = os.path.join(xmlpath, xmlname) with open(xmlfile, "r", encoding=\'UTF-8\') as in_file: txtname = xmlname[:-4] + \'.txt\' # print(txtname) txtpath = labelpath + \'/\' + folder if not os.path.exists(txtpath): os.makedirs(txtpath) txtfile = os.path.join(txtpath, txtname) with open(txtfile, "w+", encoding=\'UTF-8\') as out_file: tree = ET.parse(in_file) root = tree.getroot() size = root.find(\'size\') w = int(size.find(\'width\').text) h = int(size.find(\'height\').text) out_file.truncate() 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\') if __name__ == "__main__": rootpath = r\'C:\\Users\\mojia\\Desktop\\maizi\\maozi20230326_train_val\' # 数据标签 classes = [\'帽子\'] # 需要修改 convert_annotation(rootpath, classes)
得到下面这个的目录结构
txt文件里有标签索引和归一化后的坐标和宽高信息
7.下载yolov5源码
直接将代码下载到本地,我下载的时v7.0
下载版本对应的与训练模型
8.修改训练的数据集路径及参数
修改data/coco128.yaml,给出数据集的路径
修改models/yolov5s.yaml,注意我训练时用的yolov5s.pt。这里主要将标签数改成一样的,nc字段改为1个,我只标了一个。
修改train.py,这个我只将device改为0,也就是启用GPU训练,其他参数没有改变,或者在运行train.py时传入参数也一样。
直接运行 python train.py
9.查看训练结果
可以查看损失函数,准确率等信息
训练好的结果在run/train文件夹下面,找到最新的文件夹
可以运行tensorboard --logdir=C:\\Users\\mojia\\Desktop\\yolov5-master\\runs\\train\\exp14 通过浏览器查看运行的结果
训练好的权重参数保存在weights文件夹下面
10.进行预测
修改detect.py文件, 修改使用的权重文件,和检测的目标文件
运行 python detect.py
结果保存在/runs/detect路径下最新的文件夹里
深度学习训练营之yolov5训练自己的数据集(代码片段)
...如下命令进行数据集的划分pythonsplit_train_val.py--xml_pathD:\\yolov5-master\\yolov5-master\\my_data\\Annotations--txt_pathD:\\yolov5-master\\yolov5-mast 查看详情
深度学习目标检测---使用yolov5训练自己的数据集模型(windows系统)(代码片段)
目录0 前言1、从githab上克隆yolov5代码1.1yolov5网络project克隆1.2项目代码结构的整体介绍1.3深度学习环境的配置和安装yolov5所需要的库2、数据集和预训练权重的准备2.1利用labelimg对数据进行标注和划分2.2下载预训练权重 3、训练... 查看详情
yolov5训练自己的数据集(缺陷检测分类——看了就懂系列)(代码片段)
这里记录一下将yolov5用于训练自己的数据集,这里v5的github地址Environment本文是直接pipinstall-rrequirement.txt直接安装成功,如果不容易成功,就一个个安装即可。如果出现报错,多关注一下torch的版本即可。Datapreparati... 查看详情
yolov5解析|第二篇:用yolov5训练自己的数据集(超级详细完整版)(代码片段)
大家好,我是K同学啊!我们接着上一篇文章YOLOv5解析|第一篇:快速部署YOLOv5模型配置完YOLOv5需要的环境后,今天我们试着用YOLOv5训练自己的数据。(在开始本教程前,记得先跑一遍入门篇,确保其他... 查看详情
yolov5解析|第二篇:用yolov5训练自己的数据集(超级详细完整版)(代码片段)
大家好,我是K同学啊!我们接着上一篇文章YOLOv5解析|第一篇:快速部署YOLOv5模型配置完YOLOv5需要的环境后,今天我们试着用YOLOv5训练自己的数据。(在开始本教程前,记得先跑一遍入门篇,确保其他... 查看详情
tensorflowlite2----移动端部署--yolov5+训练自己的数据集(代码片段)
...手教程_行码阁119的博客-CSDN博客二、训练模型本文使用的yolov5为ultralytics公司的一个开源产品,由Glenn大佬实现,有很多合作的开发者参与了该项目,开发迭代速度非常快,三天两头就有 查看详情
深度学习100例|第53天:用yolov5训练自己的数据集(超级详细完整版)(代码片段)
...接着上一篇文章深度学习100例|第51天-目标检测算法(YOLOv5)(入门篇)配置完YOLOv5需要的环境后,今天我们试着用YOLOv5训练自己的数据。 查看详情
yolov5训练自己的数据集(详细完整版)(代码片段)
...thon:3.9ps:如果要使用GPU,cuda版本要>=10.1下载安装yolov5:yolov5官方要求Python>=3.6andPyTorch>=1.7yolov5源码下载:https://github.com/ultralytics/yolov5下载后,进入pytorch环境进入yolov5文件夹使用换源的方法安装依赖... 查看详情
用yolov5ds训练自己的数据集——同时检测和分割(代码片段)
...常感谢作者midasklr的开源项目!源码地址:midasklr/yolov5ds:multi-taskyolov5withdetectionandsegmentation(github.com)https://github.com/midasklr/yolov5ds关于作者:CSDN:MidasKing的博客_CSDN博客-目标检测,python,opencv领域博主GitHub:midasklr(g... 查看详情
图像识别之yolov5训练自己的模型(代码片段)
图像识别之Yolov5训练自己的模型文章目录图像识别之Yolov5训练自己的模型一、前言二、对图像进行标注三、数据集的划分四、配置训练的文件1、修改yolov5l.yaml配置文件2、修改coco128.yaml配置文件五、开始训练六、训练结果呈现1、... 查看详情
yolov5-pytorch版-windows下训练自己的数据集,内含voc批量转yolo方法。(自称宇宙超级巨详细步骤)(代码片段)
Yolov5-Pytorch版-Windows下训练自己的数据集(自称宇宙超级巨详细步骤)一.准备数据集1.在labelimg下直接生成yolo的.txt格式2.Pytorch版批量.xml格式转yolo的.txt格式3.数据集制作二.Yolov5实现训练1.修改两个.yaml文件2.修改train.py文件3... 查看详情
yolov5训练自己的数据集(代码片段)
1.安装cuda 可以先看看自己的显卡信息,支持哪个cuda版本 cuda下载地址:https://developer.nvidia.com/cuda-toolkit-archive 我的RTX3060,下载的cuda11.8 下载后安装,直接默认安装到底,然后打开cmd,输入nvcc-V ... 查看详情
基于yolov5的手势识别系统(含手势识别数据集+训练代码)(代码片段)
基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)目录基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)1.前言2.手势识别的方法(1)基于多目标检测的手势识别方法(2)基于手部检测+手势分类... 查看详情
基于yolov5的手势识别系统(含手势识别数据集+训练代码)(代码片段)
基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)目录基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)1.前言2.手势识别的方法(1)基于多目标检测的手势识别方法(2)基于手部检测+手势分类... 查看详情
基于yolov5的手势识别系统(含手势识别数据集+训练代码)(代码片段)
基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)目录基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)1.前言2.手势识别的方法(1)基于多目标检测的手势识别方法(2)基于手部检测+手势分类... 查看详情
[课程][原创]yolov5安装标注训练自己数据集windows版
搞定系列:yolov5训练自己数据集windows版课程地址:搞定系列:yolov5训练自己数据集windows版--深度学习视频教程-人工智能-CSDN程序员研修院开会员学更多课程课程介绍课程目录讨论留言你将收获1、学会如何搭建yolov5环... 查看详情
yolov5训练自己的数据集(缺陷检测分类——看了就懂系列)(代码片段)
这里记录一下将yolov5用于训练自己的数据集,这里v5的github地址Environment本文是直接pipinstall-rrequirement.txt直接安装成功,如果不容易成功,就一个个安装即可。如果出现报错,多关注一下torch的版本即可。Datapreparati... 查看详情
深度学习目标检测:yolov5实现车辆检测(含车辆检测数据集+训练代码)(代码片段)
深度学习目标检测:YOLOv5实现车辆检测(含车辆检测数据集+训练代码) 目录YOLOv5实现车辆检测(含车辆检测数据集+训练代码)1.前言2.车辆检测数据集说明(1)车辆检测数据集(2)自定义数据集3.基于YOLOv5... 查看详情