前言

本文主要介紹如何利用YOLOv5訓練自己的數(shù)據(jù)集

1、數(shù)據(jù)標注說明

以生活垃圾數(shù)據(jù)集為例子

1. 生活垃圾數(shù)據(jù)集（YOLO版）
2. 點擊這里直接下載本文生活垃圾數(shù)據(jù)集

生活垃圾數(shù)據(jù)集組成：

【有害垃圾】：電池（1 號、2 號、5 號）、過期藥品或內(nèi)包裝等；
【可回收垃圾】：易拉罐、小號礦泉水瓶；
【廚余垃圾】：小土豆、切過的白蘿卜、胡蘿卜，尺寸為電池大??；
【其他垃圾】：瓷片、鵝卵石（小土豆大?。?、磚塊等。

YOLO數(shù)據(jù)有三個要點

1. images，存放圖片
2. labes，對應Images圖片的標簽
3. data_txt, 劃分images圖片的數(shù)據(jù)集，形成三個txt

文件結構：

----data\
    |----classes.txt  # 標簽種類
    |----data-txt\  # 數(shù)據(jù)集文件集合
    |    |----test.txt
    |    |----train.txt
    |    |----val.txt
    |----images\ # 數(shù)據(jù)集圖片
    |    |----test\
    |    |    |----fimg_23.jpg
    |    |    |----fimg_38.jpg
    |    |    |----.....
    |    |----train\
    |    |    |----fimg_1.jpg
    |    |    |----fimg_2.jpg
    |    |    |----.....
    |    |----val\
    |    |    |----fimg_4.jpg
    |    |    |----fimg_6.jpg
    |    |    |----.....
    |----labels\  # yolo標簽
    |    |----test\
    |    |    |----fimg_23.txt
    |    |    |----fimg_38.txt
    |    |    |----.....
    |    |----train\
    |    |    |----fimg_1.txt
    |    |    |----fimg_2.txt
    |    |    |----.....
    |    |----val\
    |    |    |----fimg_4.txt
    |    |    |----fimg_6.txt
    |    |    |----.....
    |----waste-classification.yaml  # 數(shù)據(jù)集配置文件

2、定義自己模型文件

1、定義yolov5網(wǎng)絡模型文件

如 models/yolov5l.yaml

# YOLOv5 ?? by Ultralytics, GPL-3.0 license

# Parameters
nc: 4  # number of classes  類別,這里的類別一共四種
depth_multiple: 0.33  # model depth multiple ，模型寬度
width_multiple: 0.50  # layer channel multiple ，通道數(shù)
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)
  ]

2、在data/目標下，定義自己數(shù)據(jù)集的配置文件

如data/waste-classification.yaml

train: data/data-txt/train.txt
val: data/data-txt/val.txt
test: data/data-txt/test.txt

# Classes
nc: 4 # number of classes
names: ['recyclable waste', 'hazardous waste','kitchen waste','other waste']  # class names

3、訓練模型

1、激活python環(huán)境

conda activate reid-pytorch  # 這里我是激活reid-pytorch環(huán)境

2、在服務器上訓練自己的模型

# 注意，這里是linux服務器上訓練命令
# nohup 是后臺運行，--batch-size 每次送入的圖片數(shù)， --epochs 訓練多少輪  --cfg 模型配置  --data 數(shù)據(jù)集配置
#  --weights 以哪個權重訓練  --device 在那個顯卡上訓練(這里一共有四張顯卡)  > 重定向，將訓練的結果輸出到myout.file，方便查看
nohup python train.py --batch-size 16 --epochs 200 --cfg models/yolov5s.yaml --data data/waste-classification.yaml --weights weights/yolov5s.pt --device 0,1,2,3 > myout.file 2>&1 &

# 如果是本地電腦上訓練，直接在pycharm的train.py添加上述參數(shù)，直接訓練
--batch-size 16 --epochs 200
--cfg models/yolov5s.yaml
--data data/waste-classification.yaml 
--weights weights/yolov5s.pt
--device 0  # 采用顯卡0進行訓練

查看自己電腦顯卡情況

文章來源地址http://www.zghlxwxcb.cn/news/detail-730204.html

參考文獻

1. YOLOv5s網(wǎng)絡模型講解(一看就會)
2. 生活垃圾數(shù)據(jù)集（YOLO版）
3. 雙向控制舵機（樹莓派版）

到了這里，關于YOLOv5如何訓練自己的數(shù)據(jù)集（生活垃圾數(shù)據(jù)集為例）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)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！