yolov5自动训练/预测-小白教程

news2024/11/29 8:44:06

文章目录

  • 引言
  • 一、配置参数设置
    • 1、数据参数配置
    • 2、模型训练参数配置
    • 3、模型预测参数配置
  • 二、一键训练/预测的sh介绍
    • 1、训练sh文件(train.sh)介绍
    • 2、预测sh文件(detect.sh)介绍
  • 三、本文训练main代码解读
    • 1、训练main函数解读
    • 2、数据加工与参数替换
  • 四、本文预测main代码解读
    • 1、训练main函数解读
    • 2、参数替换
    • 3、自动生成xml文件
  • 五、模型展示
    • 1、模型架构展示
    • 2、训练效果展示
    • 3、预测效果展示

引言

本文章基于客户一键训练与测试需求，我将yolov5模型改成较为保姆级的一键操作的训练/预测方式，也特别适合新手或想偷懒转换数据格式的朋友们。本文一键体现只需图像文件与xml文件，调用train.sh与detect.sh可完成模型的训练与预测。而为完成该操作，模型内嵌入xml转yolov5的txt格式、自动分配训练/验证集、自动切换环境等内容。接下来，我将介绍如何操作，并附修改源码。

源码链接：我已上传个人资源，请自行下载！

一、配置参数设置

该文件是yolo数据的文件，被我修改满足一键训练与测试文件的配置参数，主要包含数据参数配置、训练参数配置与检测参数配置。

1、数据参数配置

数据参数配置为图像与xml路径配置、转换yolov5数据格式保存路径、训练/验证/测试比列分配、对应yolov5数据文件参数配置，详情如下：

# 设置img与xml的文件路径，也可为同一个文件，按照xml选择img
img_path: /home/auto_yolo/data/example_data
xml_path: /home/auto_yolo/data/example_data

# 设置数据集训练与验证集测试的比率，和小于1，通常test比率不设置为0
train_rate: 0.8
val_rate: 0.2
test_rate:
# 设置转换数据保存路径
path: /home/auto_yolo/data/yolo_data
train: images/train
val: images/val
test:  
# Classes
nc: 3
names: ['car', 'moto', 'person']

2、模型训练参数配置

模型训练相关设置，若需要设置则对应相应值，否则不填，使用默认设置，其详情如下：

# 训练模型选择参数设置
imgsz:
batch_size: 2
epochs: 
resume: False
device:
workers:
model_scale: s  #模型型号参数，s表示yolov5s模型

3、模型预测参数配置

模型预测相关设置，若需要设置则对应相应值，否则不填，使用默认设置，其详情如下：
特别说明：auto_xml参数表示是否生成xml标签数据


#detect测试参数设置，无需关心上面所有参数
weights: /home/hncy/Project/tj/auto_try/yolov5-6.0/yolov5s.pt
source: /home/hncy/Project/tj/auto_yolo/data/example_data

#测试模型选择参数设置
detect_imgsz:
conf_thres:
iou_thres:
auto_xml: True  # 模型预测自动生成有标注框的xml文件

二、一键训练/预测的sh介绍

1、训练sh文件(train.sh)介绍

训练文件为sh文件，只需通过以下命令，实现训练。

sh train.sh

该文件包含虚拟环境切换与自动调用模型训练，其详情如下：


# train.sh

echo -e "\n"train time $(date "+%Y-%m-%d")"\n"

# 更换虚拟环境

__conda_setup="$('/home/anaconda3/bin/conda' 'shell.bash' 'hook' 2> /dev/null)"
if [ $? -eq 0 ]; then
	        eval "$__conda_setup"
		    else
			                if [ -f "/home/anaconda3/etc/profile.d/conda.sh" ]; then
						                    . "/home/anaconda3/etc/profile.d/conda.sh"
								                        else
												                            export PATH="/home/anaconda3/bin:$PATH"
															                                fi
fi
unset __conda_setup
conda activate torch1.8

cur_dir=$(cd `dirname $0`;pwd)  # 获得当前路径
echo -e  "\ncur_dir:"${cur_dir}"\n"

yaml_dir=$cur_dir/coco128_auto.yaml
echo -e  "\nyaml_dir:"${yaml_dir}"\n"

save_dir=$cur_dir/runs/train
echo -e "\nsave_dir:"$save_dir"\n"

if [ -d ${save_dir} ];then
	    echo "save_dir 文件存在"
    else
	    echo "save_dir文件不存在-->创建文件"
	    mkdir -p  $save_dir
fi

model_dir=/home/auto_try/yolov5-6.0

cd ${model_dir}

ls


echo -e "\n\n\n\t\t\t start train  ... \n\n\n"

python  train_auto.py  --data $yaml_dir

2、预测sh文件(detect.sh)介绍

预测文件为sh文件，只需通过以下命令，实现训练。

sh detect.sh

该文件包含虚拟环境切换与自动调用模型预测，其详情如下：


# detect.sh

echo -e "\n"detect time $(date "+%Y-%m-%d")"\n"


# 更换虚拟环境

__conda_setup="$('/home/hncy/anaconda3/bin/conda' 'shell.bash' 'hook' 2> /dev/null)"
if [ $? -eq 0 ]; then
	        eval "$__conda_setup"
		    else
			                if [ -f "/home/anaconda3/etc/profile.d/conda.sh" ]; then
						                    . "/home/anaconda3/etc/profile.d/conda.sh"
								                        else
												                            export PATH="/home/anaconda3/bin:$PATH"
															                                fi
fi
unset __conda_setup
conda activate torch1.8

cur_dir=$(cd `dirname $0`;pwd)  # 获得当前路径
echo -e  "\ncur_dir:"${cur_dir}"\n"

yaml_dir=$cur_dir/coco128_auto.yaml
echo -e  "\nyaml_dir:"${yaml_dir}"\n"

save_dir=$cur_dir/runs/detect
echo -e "\nsave_dir:"$save_dir"\n"


if [ -d ${save_dir} ];then
	    echo "save_dir 文件存在"
    else
	    echo "save_dir文件不存在-->创建文件"
	    mkdir -p  $save_dir
fi

model_dir=/home/auto_try/yolov5-6.0

cd ${model_dir}

ls


echo -e "\n\n\n\t\t\t start detect  ... \n\n\n"

python  detect_auto.py  --data $yaml_dir

三、本文训练main代码解读

1、训练main函数解读

可看出训练main函数多了replace_parameter(opt)函数，该函数为数据加工处理。

if __name__ == "__main__":

    opt = parse_opt()
    opt=replace_parameter(opt)
    main(opt)

2、数据加工与参数替换

数据转换主要将xml文件转成txt文件格式，可参考我的博客，xml转txt博客点击这里
。另一个是模型参数更换，其代码如下：


def replace_parameter(opt):
    cfg_yaml=product_yolo_dataset(opt.data)

    if cfg_yaml['imgsz'] is not None: opt.imgsz=cfg_yaml['imgsz']
    if cfg_yaml['batch_size'] is not None: opt.batch_size = cfg_yaml['batch_size']
    if cfg_yaml['epochs'] is not None: opt.epochs = cfg_yaml['epochs']
    if cfg_yaml['resume'] is not None: opt.resume = cfg_yaml['resume']

    if cfg_yaml['model_scale'] =='n':
        opt.weights = ROOT / 'yolov5n.pt'
    elif cfg_yaml['model_scale'] =='s':
        opt.weights = ROOT / 'yolov5s.pt'
    elif cfg_yaml['model_scale'] =='m':
        opt.weights = ROOT / 'yolov5m.pt'

    yaml_parent=Path(opt.data).parent
    opt.project=os.path.join(yaml_parent,'runs','train')

    return opt

四、本文预测main代码解读

1、训练main函数解读

可看出训练main函数多了replace_detect_parameter(opt)函数，该函数为数据加工处理。

if __name__ == "__main__":
    opt = parse_opt()
    opt = replace_detect_parameter(opt)
    main(opt)

2、参数替换

该函数是替换模型预测参数，我将不在介绍，其代码如下：


def replace_detect_parameter(opt):
    cfg_yaml=read_yaml(opt.data)


    if cfg_yaml['weights'] is  None :
        raise FileExistsError("lacking weights path")
    if cfg_yaml['source'] is  None:
        raise FileExistsError("lacking source path")


    opt.weights = cfg_yaml['weights']
    opt.source = cfg_yaml['source']
    opt.auto_xml = True if cfg_yaml['auto_xml'] else False
    if cfg_yaml['detect_imgsz'] is not None : opt.imgsz=cfg_yaml['detect_imgsz']
    if cfg_yaml['iou_thres'] is not None : opt.iou_thres=cfg_yaml['iou_thres']
    if cfg_yaml['conf_thres'] is not None: opt.conf_thres = cfg_yaml['conf_thres']

    yaml_parent=Path(opt.data).parent
    opt.project=os.path.join(yaml_parent,'runs','detect')
    del opt.data
    print_args(FILE.stem, opt)
    return opt

3、自动生成xml文件

我想说预测代码的自动生成xml方法，该部分在检测文件的run函数中，添加内容如下：

if auto_xml:
    create_xml_by_predect_xml(det, im0s.copy(), names, hide_conf, hide_labels, video_num, save_path)
    video_num+=1

我将预测结果生成xml标注，无论预测视频或预测图像均可实现该目的，我不在介绍，读者可查看代码，其调用函数如下：

def create_xml_by_predect_xml(det,img,names,hide_conf,hide_labels,video_num,save_path):

    save_xml = Path(save_path)
    save_xml_parent = save_xml.parent
    save_xml_path = build_dir(os.path.join(save_xml_parent, 'xml_dir'))
    if save_xml.suffix in ['.jpg', '.png', '.bmp']:
        write_img_name = save_xml.name
        save_xml_name = write_img_name.replace(save_xml.suffix, '.xml')
    else:
        write_img_name = 'video_' + str(video_num) + '.jpg'
        save_xml_name = write_img_name.replace('.jpg', '.xml')
    save_xml_img_path = os.path.join(save_xml_path, write_img_name)
    save_xml_xml_path = os.path.join(save_xml_path, save_xml_name)

    bboxes_lst=[]
    cat_lst=[]
    for *xyxy, conf, cls in reversed(det):
        c = int(cls)  # integer class
        label = None if hide_labels else (names[c] if hide_conf else f'{names[c]} {conf:.2f}')

        box = [int(xyxy[0]), int(xyxy[1]), int(xyxy[2]), int(xyxy[3])]
        cat=label.split(' ')[0]
        if cat is not None and box is not None:
            cat_lst.append(cat)
            bboxes_lst.append(box)

    if cat_lst !=[]:
        tree, xml_name = product_xml(write_img_name, bboxes_lst, cat_lst, img=img)
        tree.write(save_xml_xml_path)
        cv2.imwrite(save_xml_img_path,img)

五、模型展示

1、模型架构展示

在这里插入图片描述

2、训练效果展示

在这里插入图片描述

3、预测效果展示

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1028176.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

MFC扩展库BCGControlBar Pro v33.6亮点 - 流程图、Ribbon Bar功能升级

MFC扩展库BCGControlBar Pro v33.6亮点 - 流程图、Ribbon Bar功能升级

BCGControlBar库拥有500多个经过全面设计、测试和充分记录的MFC扩展类。 我们的组件可以轻松地集成到您的应用程序中，并为您节省数百个开发和调试时间。 BCGControlBar专业版 v33.6已正式发布了，此版本包含了对图表组件的改进、带隐藏标签的单类功能区栏…
阅读更多...
数据结构--7.1散列表（哈希表）查找

数据结构--7.1散列表（哈希表）查找

散列表查找 我们要在a[ ] 中查找key关键字的记录： ——顺序表查找：挨个儿查找 ——有序表查找：二分法查找 ——散列表查找 记录的存储位置 f（关键字） 散列技术是在记录的存储位置和它的关键字之间建立一个确定的…
阅读更多...
shell脚本命令

shell脚本命令

Shell命令是在类Unix操作系统中使用的命令行解释器（shell）中执行的命令。Shell命令可以用于执行系统命令、操作文件、进行文本处理、管理进程等。以下是一些常见的Shell命令： 1. ls：列出当前目录下的文件和文件夹。 2. cd&#x…
阅读更多...
泡泡玛特加速海外布局，泰国首店开业吸引超千名粉丝排队

泡泡玛特加速海外布局，泰国首店开业吸引超千名粉丝排队

自2022年起，泡泡玛特全球门店布局加速，在包括英国、美国、新西兰欧美国家均开设新店面，2022年7月，泡泡玛特全球首家旗舰店落地首尔。泡泡玛特自2018年年底开始规划出海，截至目前，在全球已经拥有50多家门店&…
阅读更多...
解锁前端Vue3宝藏级资料 第五章 Vue 组件应用 1( Props )

解锁前端Vue3宝藏级资料 第五章 Vue 组件应用 1( Props )

本章带领大家理解组件、props、emits、slots、providers/injects，Vue 插件 等Vue组件使用的基础知识。 5.1 组件注册5.2 Props5.2.1 组件之间如何传值5.2.2 参数绑定 v-bind5.2.3 参数类型5.2.4 props 默认与必填5.2.5 验证设置5.2.6 useAttrs 属性设置 第一章 Vue3…
阅读更多...
Centos7安装wps无法打开及字体缺失的问题解决

Centos7安装wps无法打开及字体缺失的问题解决

在centos7上安装了最新的wps2019版本的wps-office-11.1.0.11704-1.x86_64.rpm，生成了桌面图标并信任，可以新建文件，但是软件无法打开。在终端执行如下命令，用命令行启动wps： cd /opt/kingsoft/wps-office/office6/ ./…
阅读更多...
深度学习修炼（二）全连接神经网络 | Softmax，交叉熵损失函数 优化AdaGrad，RMSProp等 对抗过拟合 全攻略

深度学习修炼（二）全连接神经网络 | Softmax，交叉熵损失函数 优化AdaGrad，RMSProp等 对抗过拟合 全攻略

文章目录 1 多层感知机（全连接神经网络）1.1 表示1.2 基本概念1.3 必要组成—激活函数1.4 网络结构设计 2 损失函数2.1 SOFTMAX操作2.2 交叉熵损失函数 3 优化3.1 求导计算过于复杂？3.2 链式法则导致的问题？3.3 梯度下降算法的改进…
阅读更多...
自定义协议、序列化与反序列化

自定义协议、序列化与反序列化

在编写TCP和UDP程序的时候，我们很自然的就使用了读取的函数对数据进行获取，对于UDP来说提供的是无连接的以数据报的形式进行传输，对于TCP来说是面向数据流的，在之前的程序中我们只是进行了读取的操作，但是并没有对读取…
阅读更多...
通讯网关软件008——利用CommGate X2Mysql实现OPC数据转储Mysql

通讯网关软件008——利用CommGate X2Mysql实现OPC数据转储Mysql

本文介绍利用CommGate X2MYSQL实现从OPC Server读取数据并转储至MYSQL数据库。CommGate X2MYSQL是宁波科安网信开发的网关软件，软件可以登录到网信智汇(http://wangxinzhihui.com)下载。 【案例】如下图所示，实现从OPC Server读取数据并转储至MYSQL数据…
阅读更多...
Go语言进化之路：泛型的崛起与复用的新篇章

Go语言进化之路：泛型的崛起与复用的新篇章

一、引言 泛型编程在许多编程语言中都是一项非常强大的特性，它可以使程序更加通用、具有更高的重用性。然而，Go语言在很长一段时间内一直没有提供泛型功能。在过去的一些版本中，Go语言开发者试图引入泛型，但最终都因为各种原因被…
阅读更多...
分布式系统——分布式系统知识脑图

分布式系统——分布式系统知识脑图

摘要 本博文主要介绍分布式系统知识脑图，帮助大家更好的快速的了解分布式系统相关知识。同时也是为大家在工作中应对分布式系统设计提供相关参考。 一、分布式系统知识脑图 博文参考
阅读更多...
origin自定义颜色

origin自定义颜色

点击图例，然后点击菜单栏的颜色右边的三角形。选择自定义颜色 在红绿蓝里输入自己想要的颜色配比。点击确定 如图，定义好五组颜色。我这里用的是比较经典的五色配图 蓝：1,86,153 黄：250,192,15 橙：243,118,74 浅蓝…
阅读更多...
mysql workbench常见问题

mysql workbench常见问题

1、No database selected Select the default DB to be used by double-clicking its name in the SCHEMAS list in the sidebar 方法一：双击你要使用的库 方法二：USE 数据库名 2、复制表名，字段名 3、保存链接
阅读更多...
【PostgreSQL内核学习（十一）—— （CreatePortal）】

【PostgreSQL内核学习（十一）—— （CreatePortal）】

CreatePortal 概述CreatePortal 函数GetPortalByName 函数PortalHashTableLookup 函数 MemoryContextAllocZero 函数 AllocSetContextCreate 函数ResourceOwnerCreatePortalHashTableInsert总结 声明：本文的部分内容参考了他人的文章。在编写过程中，我们…
阅读更多...
AI大模型服务应用场景

AI大模型服务应用场景

大模型是指模型具有庞大的参数规模和复杂程度的机器学习模型。在深度学习领域，大模型通常是指具有数百万到数十亿参数的神经网络模型。这些模型通常在各种领域，例如自然语言处理、图像识别和语音识别等，表现出高度准确和广泛的泛化能力。伴随…
阅读更多...
2023-9

2023-9

内核向应用层发送netlink单播消息： nlmsg_unicast -> netlink_unicast -> netlink_sendskb -> __netlink_sendskb -> 把skb链入struct sock 的 sk_receive_queue 链表中，再调用sk->sk_data_ready(sk); -> sock_def_readable -> wak…
阅读更多...
排序算法：归并排序（递归和非递归）

排序算法：归并排序（递归和非递归）

朋友们、伙计们，我们又见面了，本期来给大家解读一下有关排序算法的相关知识点，如果看完之后对你有一定的启发，那么请留下你的三连，祝大家心想事成！ C 语 言 专 栏：C语言：从入门到精通…
阅读更多...
关于使用API接口获取商品数据的那些事（使用API接口获取商品数据的步骤和注意事项。）

关于使用API接口获取商品数据的那些事（使用API接口获取商品数据的步骤和注意事项。）

随着电商行业的不断发展，越来越多的企业和个人需要获取各大电商平台上的商品数据。而最常用的方法是使用API接口获取商品数据。本文将为您介绍使用API接口获取商品数据的步骤和注意事项。 一、选择API接口 首先需要了解各大电商平台提供的API接口，目前…
阅读更多...
算法通关村第14关【黄金】| 数据流的中位数

算法通关村第14关【黄金】| 数据流的中位数

思路：使用一个小根堆一个大根堆来找中位数 小根堆保存较大的一半数字，大根堆保存较小的一半数字 奇数queMin的队头即为中位数，偶数queMin和queMax队头相加/2为中位数 初始状态： queMin: [] queMax: [] 添加数字 1： …
阅读更多...
【Java 基础篇】Java 进程详解：从基础到实践

【Java 基础篇】Java 进程详解：从基础到实践

Java 是一种广泛应用于各种类型的软件开发的编程语言，而与 Java 紧密相关的一个概念就是进程。本篇博客将从基础开始，详细介绍 Java 进程的概念、创建、管理以及一些实际应用场景。无论您是初学者还是有一定经验的开发者，都能从本文中获取有关…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023