???????
目錄
一、簡介
配置
環(huán)境準(zhǔn)備
二、環(huán)境配置
1.安裝anaconda
2.安裝TensorFlow
3.安裝pytorch
4.pyqt5安裝
?5.安裝labelimg
6.下載yolov5
7.pycharm安裝
三、使用labelimg標(biāo)記圖片
1.準(zhǔn)備工作
2.標(biāo)記圖片
四、 劃分?jǐn)?shù)據(jù)集以及配置文件修改
1. 劃分訓(xùn)練集、驗證集、測試集
2.XML格式轉(zhuǎn)yolo_txt格式
3.配置文件
4.聚類獲得先驗框
五、使用CPU訓(xùn)練
六、訓(xùn)練結(jié)果可視化
一、簡介
? ?最近為了應(yīng)付畢業(yè)論文，學(xué)習(xí)了目標(biāo)檢測，目的是檢測車輛和行人，使用了yolov5，想到了是否可以在mac 上跑yolov5 ，因為是m1芯片，以及系統(tǒng)的更新，踩了不少坑，總結(jié)了幾個博主的經(jīng)驗，順利的在mac上實現(xiàn)了yolov5的訓(xùn)練和檢測。
踩坑點：pyqt5安裝、labelimg安裝（需前置pyqt5）、yolov5訓(xùn)練時隱藏文件文件.DS_store無法識別
配置
電腦型號：2021 mbp? m1 pro
系統(tǒng)版本：ventura 13.0 (22A380)
環(huán)境準(zhǔn)備
anaconda individual?最新版
python 3.9.13
pytorch 2.0 (后面有教程)
TensorFlow 2.11.0（后面有教程）
Pyqt5 5.15.7（后面有教程）
labelimg 1.8.6
pycharm 2022.3
yolov5?
二、環(huán)境配置
1.安裝anaconda
（1）進(jìn)入官網(wǎng)
官網(wǎng)鏈接：Anaconda | The World's Most Popular Data Science Platform
直接在這里下載并安裝anaconda就可以
（2）點擊安裝包進(jìn)行安裝
直接無腦點下一步
在這一步時選擇僅為我安裝。
安裝好之后再應(yīng)用程序里就可以看見。
（3）打開終端之后
發(fā)現(xiàn)前面有個（base）就是安裝成功了。
2.安裝TensorFlow
（1）創(chuàng)建一個新的anaconda環(huán)境
conda create -n tf python=3.9.13
（2）切換到tf環(huán)境（再打開終端時要記得切到這個環(huán)境）
conda activate tf
前面有（tf）則是轉(zhuǎn)換成功?
(3)安裝macos版本的TensorFlow。
如果顯示404等錯誤，可以嘗試掛個梯子。
conda install -c apple tensorflow-deps
python3 -m pip install tensorflow-macos
(如果不確定使用python3還是python，可以使用which python查看路徑，使用虛擬環(huán)境下的python才有效)
python3 -m pip install tensorflow-metal?
（4）然后在終端輸入
python3
import tensorflow?
如果出現(xiàn)
則是成功
exit（）
可以退出python命令行
報錯——>提示numpy版本不兼容(numpy版本過低要重新裝)
conda uninstall numpy
pip install numpy
再次嘗試導(dǎo)入tensorflow重復(fù)（4）中
成功
3.安裝pytorch
進(jìn)入pytorch官網(wǎng)
官網(wǎng)鏈接：PyTorch
點擊install 出現(xiàn)
?選擇相應(yīng)的配置
在終端運行
pip3 install torch torchvision torchaudio
?等待安裝完成即可。
4.pyqt5安裝
因為labelimg需要Pyqt5，但高版本macos 的pyqt安裝會出錯。
可以先運行一下
pip install pyqt5
如果成功則這步省略
出錯則需要進(jìn)行安裝homebrew 再用brew去安裝pyqt5
（1）安裝homebrew
Homebrew — The Missing Package Manager for macOS (or Linux)
首頁就是安裝方法
終端運行
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
安裝完成之后 使用brew 安裝pyqt5
brew install pyqt5
如果你的brew 長時間沒更新
會報404找不到資源的錯誤，那就先要更新brew，csdn搜索即可。
安裝完成之后進(jìn)入homebrew的cellar文件夾
我的在
/opt/homebrew/Cellar
找到pyqt@5文件夾點進(jìn)去
目錄如下所示
/opt/homebrew/Cellar/pyqt@5/5.15.7_2/lib/python3.9/site-packages
把下列文件全部放到anaconda環(huán)境中
?首先找到conda的環(huán)境
conda env list
我的tf環(huán)境在
/Users/qishuocheng/anaconda3/envs/tf
使用前往文件夾就可以
點進(jìn)去找到lib文件夾
/Users/qishuocheng/anaconda3/envs/tf/lib/python3.9/site-packages
?把上面pyqt5的文件放進(jìn)來
python?
import PyQt5
不報錯就算成功
?5.安裝labelimg
上述完成后進(jìn)行
pip install labelimg
安裝完成之后
輸入
labelimg
?出現(xiàn)這個即可。
6.下載yolov5
GitHub - ultralytics/yolov5 at v6.1
直接下載zip
或者git clone到本地
git clone https://github.com/ultralytics/yolov5.git （加本地文件地址）沒有g(shù)it 的要先
pip install git
7.pycharm安裝
PyCharm: the Python IDE for Professional Developers by JetBrains
進(jìn)入官網(wǎng)
下載之后配置
切到你的conda環(huán)境
如果沒有就添加本地解釋器
?
?
選擇你的環(huán)境點擊確定就可以切換環(huán)境啦。?
三、使用labelimg標(biāo)記圖片
1.準(zhǔn)備工作
在yolov5目錄下新建一個名為VOCData的文件夾
在VOCData文件夾下創(chuàng)建 Annotations 和 images 文件夾
images放要訓(xùn)練的圖片
（【??易錯】：images的文件名不建議修改，否則之后訓(xùn)練時容易出現(xiàn)No labels found的錯誤，原因見下）
[說明]：
Annotations 文件夾用于存放使用labelimg標(biāo)記后的圖片（XML格式）
images 文件夾用于存放用于標(biāo)記的圖片
（【??易錯】：images 文件夾下直接放圖片，內(nèi)部不要嵌套有文件夾，否則之后訓(xùn)練可能會出現(xiàn) No label found 的錯誤，具體原因見下文中 xml_to_yolo.py文件的第67行）
2.標(biāo)記圖片
在cmd窗口下輸入 labelimg 或者運行 labelimg.py 文件進(jìn)入labelimg的可執(zhí)行程序（注：如果是在虛擬環(huán)境下安裝的labelimg，記得先激活虛擬環(huán)境）
conda activate tf(你自己的虛擬環(huán)境名)
分別設(shè)置需要標(biāo)注圖片的文件夾和存放標(biāo)記結(jié)果的文件夾的地址
圖像放在之前設(shè)置好的images里
更改存放目錄改為Annotions文件夾里
推薦設(shè)置自動保存
?
?
標(biāo)記圖片快捷鍵：w：標(biāo)記 ??a：上一張圖片 ??d：下一張圖片
標(biāo)注的時候盡可能貼近物體輪廓
四、 劃分?jǐn)?shù)據(jù)集以及配置文件修改
1. 劃分訓(xùn)練集、驗證集、測試集
?在VOCData目錄下創(chuàng)建程序 split_train_val.py 并運行以下代碼。代碼可以不做任何修改
?注意注意：在macos下，文件夾內(nèi)會生成.Ds_store隱藏文件要先刪除 不然會讀取錯誤
打開images文件夾（之前創(chuàng)建的文件）
這是我的文件夾 根據(jù)自己路徑找
?cd /Users/qishuocheng/Desktop/yolov5/VOCData/images?
ls -a
刪除這個文件后
rm .DS_Store
運行下面的代碼（images下存放你的圖片）
# coding:utf-8
import os
import random
import argparse
parser = argparse.ArgumentParser()
#xml文件的地址，根據(jù)自己的數(shù)據(jù)進(jìn)行修改 xml一般存放在Annotations下
parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')
#數(shù)據(jù)集的劃分，地址選擇自己數(shù)據(jù)下的ImageSets/Main
parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 1.0 ?# 訓(xùn)練集和驗證集所占比例。 這里沒有劃分測試集
train_percent = 0.9 ? ? # 訓(xùn)練集所占比例，可自己進(jìn)行調(diào)整
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
? ? os.makedirs(txtsavepath)
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
for i in list_index:
? ? name = total_xml[i][:-4] + '\n'
? ? if i in trainval:
? ? ? ? file_trainval.write(name)
? ? ? ? if i in train:
? ? ? ? ? ? file_train.write(name)
? ? ? ? else:
? ? ? ? ? ? file_val.write(name)
? ? else:
? ? ? ? file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()
運行結(jié)束后會在生成一個名為 ImageSets 的文件夾：
?測試集里的內(nèi)容為空，因為在劃分?jǐn)?shù)據(jù)的時候，將90%的數(shù)據(jù)劃分到訓(xùn)練集，將10%的數(shù)據(jù)劃分到訓(xùn)練集。如果要分配，則調(diào)整上面14，15行代碼中trainval和train的所占的比例
[說明]：
訓(xùn)練集是用來訓(xùn)練模型的，通過嘗試不同的方法和思路使用訓(xùn)練集來訓(xùn)練不同的模型
驗證集使用交叉驗證來挑選最優(yōu)的模型，通過不斷的迭代來改善模型在驗證集上的性能
測試集用來評估模型的性能
2.XML格式轉(zhuǎn)yolo_txt格式
在VOCData目錄下創(chuàng)建程序 xml_to_yolo.py 并運行以下代碼，注意：
將classes改為自己標(biāo)注時設(shè)置的類名（我這里叫"car"）
將各個絕對路徑修改為自己的
# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ["car"] # 改成自己的類別
abs_path = os.getcwd()
print(abs_path)
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
return x, y, w, h
def convert_annotation(image):
in_file = open('/Users/qishuocheng/Desktop/yolov5/VOCData/Annotations/%s.xml' % image,encoding='utf-8')
out_file = open('/Users/qishuocheng/Desktop/yolov5/VOCData/labels/%s.txt' % image, 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
# 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))
b1, b2, b3, b4 = b
# 標(biāo)注越界修正
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('/Users/qishuocheng/Desktop/yolov5/VOCData/labels/'):
os.makedirs('/Users/qishuocheng/Desktop/yolov5/VOCData/labels/')
image_ids = open(
'/Users/qishuocheng/Desktop/yolov5/VOCData/ImageSets/Main/%s.txt' % image_set).read().strip().split()
if not os.path.exists('/Users/qishuocheng/Desktop/yolov5/VOCData/dataSet_path/'):
os.makedirs('/Users/qishuocheng/Desktop/yolov5/VOCData/dataSet_path/')
list_file = open('dataSet_path/%s.txt' % image_set, 'w')
# 這行路徑不需更改，這是相對路徑
for image_id in image_ids:
list_file.write('/Users/qishuocheng/Desktop/yolov5/VOCData/images/%s.jpeg\n' % image_id)
convert_annotation(image_id)
list_file.close()
?運行后會生成如下圖所示的 dataSet_path 和 labels 文件夾。dataSet_path下會有三個數(shù)據(jù)集的txt文件，labels下存放各個圖像的標(biāo)注文件
3.配置文件
?在 yolov5 的 data 文件夾下創(chuàng)建一個名為 myvoc.yaml，模板如下，改成自己的路徑，根據(jù)自己實際情況填寫：
（【??易錯】：注意冒號后面是有空格的）
train: /Users/qishuocheng/Desktop/yolov5/VOCData/dataSet_path/train.txt
val: /Users/qishuocheng/Desktop/yolov5/VOCData/dataSet_path/val.txt
# number of classes
nc: 1
# class names
names: ["car"]
4.聚類獲得先驗框
在 models 文件夾下找到 yolov5s.yaml（如果使用這個權(quán)重模型訓(xùn)練的話），將其中的 nc 改為實際上標(biāo)注類的數(shù)量，和 myvoc.yaml 一樣（記得保存）。
# YOLOv5 ?? by Ultralytics, GPL-3.0 license
# Parameters
nc: 1 # 只改這里 改成自己的類的數(shù)量
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # 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)
]
五、使用CPU訓(xùn)練
?在cmd窗口下激活相應(yīng)虛擬環(huán)境后 cd 到 yolov5 文件夾后，輸入下列指令即可開始訓(xùn)練
mac也可以調(diào)用mps加速，聽說有bug 不如用cpu訓(xùn)練的快，所以建議用cpu
python train.py --weights yolov5s.pt ?--cfg models/yolov5s.yaml ?--data data/myvoc.yaml --epoch 200 --batch-size 8 --img 640 ? --device cpu
[參數(shù)說明]：
--weights ：權(quán)重文件所在的相對路徑
--cfg：存儲模型結(jié)構(gòu)配置文件的相對路徑
--data：存儲訓(xùn)練、測試數(shù)據(jù)的文件的相對路徑
--epoch：訓(xùn)練過程中整個數(shù)據(jù)集將被迭代（訓(xùn)練）了多少次
--batch-size：訓(xùn)練完多少張圖片才進(jìn)行權(quán)重更新
--img：img-size
--device：選擇用CPU或者GPU訓(xùn)練
(開始訓(xùn)練)
訓(xùn)練完成！
六、訓(xùn)練結(jié)果可視化
訓(xùn)練結(jié)果將保存在/yolov5/runs/train/exp 文件夾下，部分文件意義如下：
weights：訓(xùn)練生成權(quán)重。包含 best.pt (最好的權(quán)重，detect時用到它)，和 last.pt(最近生成的權(quán)重模型)
confusion：混淆矩陣?；煜仃囎屛覀兞私夥诸惸Ｐ退傅腻e誤，更重要的是可以了解哪些錯誤類型正在發(fā)生。
F1_curve：置信度和F1分?jǐn)?shù)的關(guān)系圖
P_curve：準(zhǔn)確率和置信度的關(guān)系圖
R_curve：召回率和置信度之間的關(guān)系
PR_curve：PR曲線中的P代表的是precision（精準(zhǔn)率），R代表的是recall（召回率），其代表的是精準(zhǔn)率與召回率的關(guān)系
labels：左上圖表示個類別的數(shù)據(jù)量；右上圖表示標(biāo)簽；左下圖表示 center 的 xy 坐標(biāo)；右下圖表示各個標(biāo)簽的長和寬
?訓(xùn)練時或者訓(xùn)練后，輸入tensorboard --logdir=runs，即可利用 tensorboard 實現(xiàn)訓(xùn)練結(jié)果可視化
?tensorboard --logdir=runs
在高版本的tensorboard中 有個很惡心的點需要更改 = 為 "" 不然識別不出來。
?tensorboard --logdir "runs"
?訪問網(wǎng)頁 http://localhost:6006/即可看到各種訓(xùn)練結(jié)果（注：localhost指的是你所在的計算機(jī)本身）
使用剛剛訓(xùn)練好的 best.pt模型來檢測：
python detect.py --weights runs/train/exp/weights/best.pt --source ../source/test.png
[說明]：
--weights：表示我們選擇的權(quán)重模型
--source：表示待檢測的圖片的路徑 (…/表示上級路徑)
成功實現(xiàn)了惡劣環(huán)境下的DM碼的定位
識別成功文章來源：http://www.zghlxwxcb.cn/news/detail-449737.html
文章來源地址http://www.zghlxwxcb.cn/news/detail-449737.html
到了這里，關(guān)于【yolov5 安裝教程】（入門篇）避免踩雷保姆級教程 在m1芯片下 使用yolov5本地訓(xùn)練自己的數(shù)據(jù)集 ——mac m1的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
