数据集准备
首先得准备好数据集，你的数据集至少包含images和labels，严格来说你的images应该包含训练集train、验证集val和测试集test，不过为了简单说明使用步骤，其中test可以不要，val和train可以用同一个，因此我这里只用了一个images
其中images装的是图片数据，labels装的是与图片一一对应同名的yolo格式txt，即类别号，经过归一化的中心x和y坐标以及宽和高
下载yolov5
到GitHub上下载整个项目的压缩包zip下来
下来解压zip，把我们刚刚的数据集也放进去
再下载一个yolov5的预训练模型，我这里选择yolov5n.pt，下下来也放到解压文件夹中
然后用pycharm打开这个文件夹，看看哪里标红还差什么软件包没安装给安装上
配置yaml
先配置一下yolov5预训练模型的yaml，我下载的是yolov5n.pt模型，因此需要配置一下yolov5n.yaml，修改nc的数值为类别数目，我这里的数据集只有乌骨鸡和狮头鹅，因此改成2
# YOLOv5 🚀 by Ultralytics, AGPL-3.0 license
# Parameters
nc: 2 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.25 # layer channel multiple
anchors:
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32
# YOLOv5 v6.0 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 6, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
# YOLOv5 v6.0 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, C3, [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, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3, [1024, False]], # 23 (P5/32-large)
[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
然后开始配置数据集的yaml，可以复制coco128.yaml的内容进行修改，新建一个xxx.yaml，修改path为数据集路径，train为训练集的相对路径，val为验证机的相对路径，因为没有用上test，因此把它注释掉了，还有names也要修改为数据集的类别名
# YOLOv5 🚀 by Ultralytics, AGPL-3.0 license
# COCO128 dataset https://www.kaggle.com/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Example usage: python train.py --data coco128.yaml
# parent
# ├── yolov5
# └── datasets
# └── coco128 ← downloads here (7 MB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ikunData # dataset root dir
train: images # train images (relative to 'path') 128 images
val: images # val images (relative to 'path') 128 images
#test: # test images (optional)
# Classes
names:
0: goose
1: chicken开始训练
然后准备开始训练，打开train.py，修改它的参数，主要是这三行代码需要修改，修改预训练模型文件的路径，配置文件的路径以及数据集配置文件的路径
parser.add_argument('--weights', type=str, default=ROOT / 'yolov5n.pt', help='initial weights path')
parser.add_argument('--cfg', type=str, default='models/yolov5n.yaml', help='model.yaml path')
parser.add_argument('--data', type=str, default=ROOT / 'ikunData.yaml', help='dataset.yaml path')噢，还有训练的epochs数目，这个次数由你决定
parser.add_argument('--epochs', type=int, default=30, help='total training epochs')然后就可以开始运行train.py。
运行完了会生成一个runs文件夹，里面有训练出来的best.pt，和训练过程的记录
然后开始目标检测，准备好运行detect.py的参数，最基本的就是运行的权重文件，就是我们train出来的best.pt，还有要测试的数据路径
--weights runs/train/exp/weights/best.pt --source ikunData/images把它写到运行配置中去
然后开始运行detect.py，运行完后会在runs里面生成detect文件夹，里面就有检测结果
你可能会发现有多个框框在同一个目标上，这时我们在detect.py上增加一个参数，这里是nms非极大值抑制，我们将IOU的阈值设置为0，再次运行detect.py
--weights runs/train/exp/weights/best.pt --source ikunData/images --iou-thres 0这次的效果要好一点
