1.训练数据集
python train.py --batch-size 2 --epochs 150 --data dataset/leaf/data.yaml --weights .\weight\yolov5n6.pt训练数据集
-
python train.py
:这是执行训练脚本的命令,其中train.py
是 YOLOv5 模型训练脚本的名字。这个脚本位于 YOLOv5 项目的目录中。 -
--batch-size 2
:这个参数指定了训练过程中的批量大小(batch size)。批量大小是指一次训练过程中传递给模型的数据样本数量。在这里,批量大小设置为 2,意味着每次训练迭代将使用 2 个样本。 -
--epochs 150
:这个参数指定了训练过程中的迭代次数,也就是整个数据集将被训练多少次。在这个例子中,设置为 150 次。 -
--data dataset/leaf/data.yaml
:这个参数指定了数据集配置文件的路径。data.yaml
文件包含了数据集的路径、类别数量、类别名称等信息。在这个例子中,该文件位于dataset/leaf/
目录下。 -
--weights .\weight\yolov5n6.pt
:这个参数指定了预训练模型的路径,模型权重将用于初始化网络。在这个例子中,权重文件位于当前目录下的weight
子目录中,文件名为yolov5n6.pt
。使用预训练权重可以加快训练速度,并提高模型的性能。
总结来说,这个命令将开始一个训练过程,其中使用批量大小为 2,训练 150 个周期,使用 dataset/leaf/data.yaml
文件中指定的数据集,并从 .\\weight\\yolov5n6.pt
文件中加载预训练的权重。
训练好的文件保存在Results saved to runs\train\exp13
这里best.pt就是生成的最好的权重文件
2.测试数据集
python .\detect.py --source dataset/leaf/valid/images --weights runs/train/exp13/weights/best.pt
Results saved to runs\detect\exp17
这个就是识别后的样子,由于我自制的数据集较差,训练的轮数也不够多,第一次就这样吧!!先跑出来再说。