【目标检测算法】YOLO-V5实战检测VOC2007数据集

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

文章目录

一、项目克隆与环境配置
二、自定义数据集导入和预训练权重

1. data目录中的yaml文件
2. model目录中的yaml文件

参考博客：

目标检测—教你利用yolov5训练自己的目标检测模型

YOLOv5跑通VOC2007数据集

一、项目克隆与环境配置

1. 下载源码

下载yolov5源代码

2. 安装依赖包

Python 3.8 or later with all requirements.txt dependencies installed, including torch>=1.7. To install run:

根据官网的要求，在pycharm的控制台安装依赖文件。

pip install -r requirements.txt

二、自定义数据集导入和预训练权重

【数据集的制作】VOC2007数据集格式的转换(voc2yolo)与划分

这里我们使用上次制作的VOC2007数据集。

├── data：如果是训练自己的数据集的话，那幺就需要修改其中的yaml文件。但是自己的数据集不建议放在这个路径下面， 而是建议把数据集放到yolov5项目的同级目录下面。

1. 导入自定义数据集

根据前面介绍的，我们把数据集放到yolov5项目的同级目录下面。

2. 获得预训练权重

从官网下载预训练权重，我们总不可能从头开始训练我们所有的参数。根据你任务的要求，来选择是使用大模型还是小模型。这里选择了 yolov5s.pt 在源代码同级目录下 新建weights文件夹 ，放入我们下载好的 yolov5s.pt 。

三、修改配置文件

有了预先训练的模型和数据集，就可以开始训练YOLOV5对象检测模型了。这需要修改两个YAML文件中的参数。

一个是data目录中对应的yaml文件，一个是model目录文件中对应的yaml文件。

1. data目录中的yaml文件

修改数据集中的类

复制一份yaml文件，并命名为自己的文件，

train: P:/Project_Python/yolov5-voc/VOCdevkit/VOC2007/train.txt
val: P:/Project_Python/yolov5-voc/VOCdevkit/VOC2007/val.txt
test: P:/Project_Python/yolov5-voc/VOCdevkit/VOC2007/test.txt
# number of classes
nc: 20
# class names
names: [ 'aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus',
         'car', 'cat', 'chair', 'cow', 'diningtable', 'dog', 'horse',
         'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor' ]

2. model目录中的yaml文件

修改模型中的类别数目，voc2007数据集一共有20个类。

四、开始训练 train.py

1. 必须修改的参数

主要修改下列参数：

parser.add_argument('--weights', type=str, default=ROOT / 'weights/yolov5s.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default=ROOT / 'models/yolov5s_voc.yaml', help='model.yaml path')
    parser.add_argument('--data', type=str, default=ROOT / 'data/my_VOC.yaml', help='dataset.yaml path')

--weights：初始化的权重文件的路径地址
--cfg：模型yaml文件的路径地址
--data：数据yaml文件的路径地址

修改我们的训练轮数和喂入批次文件的多少

可以看到，这里我训练了50轮。

parser.add_argument('--epochs', type=int, default=50, help='total training epochs')
    parser.add_argument('--batch-size', type=int, default=8, help='total batch size for all GPUs, -1 for autobatch')

如果显存不够的话，可以修改下面的缺省值。

parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers')

2. 利用tensorbord查看参数

在pycharm终端输入：

tensorboard --logdir=runs/train

点击网址，即可在线视察我们模型的参数了。

3. 训练结果

训练后生成一个run文件夹，在train中会有网络学习到的参数。

3. 检测训练后的网络

打开detect.py文件，修改下列参数：

parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'weights/yolov5s.pt', help='model path(s)')
    parser.add_argument('--source', type=str, default=ROOT / 'VOCdevkit/VOC2007/images/000032.jpg', help='file/dir/URL/glob, 0 for webcam')
    parser.add_argument('--data', type=str, default=ROOT / 'data/my_VOC.yaml', help='(optional) dataset.yaml path')

修改参数后运行，会在run文件夹中生成一个detect文件夹，里面有我们保存的图片。

4. 自己标定一个新的图片来验证

parser.add_argument('--source', type=str, default=ROOT / 'VOCdevkit/VOC2007/images/000000.jpg', help='file/dir/URL/glob, 0 for webcam')

输出结果：

5. 开启摄像头

parser.add_argument('--source', type=str, default=ROOT / '0', help='file/dir/URL/glob, 0 for webcam')

感兴趣自己试一下吧。