除了本文，大白還整理了如何深入淺出人工智能行業(yè)，算法、數(shù)據(jù)、目標檢測、論文創(chuàng)新點、求職等版塊的內容，可以查看：點擊查看。

此外本文章Yolov5相關的代碼、模型、數(shù)據(jù)等內容，可以查看下載：點擊查看。

當然下方也列出了，如何通過官方鏈接的方式，下載的過程，也可以查看。

1 下載Yolov5代碼及模型權重

1.1 下載Yolov5代碼

登錄github鏈接：https://github.com/ultralytics/yolov5，下載完整的代碼。

1.2 下載Yolov5模型權重

在Yolov5模型權重頁面，https://github.com/ultralytics/yolov5/releases

在下方選擇相應的Yolov5各個pt權重文件。

放在Yolov5代碼的models文件夾中。

2 下載一系列的依賴庫

按照yolov5代碼中requirements.txt中的說明，下載一系列的依賴庫

3 對于推理功能進行測試

先使用預訓練的模型，對于圖片進行推理測試，看看效果。

修改detect.py里面的weights的路徑，增加前面的models文件夾的路徑。

運行結束后，可以在運行結果看到信息：

打開runs/detect/exp可以看到推理得到的結果：

4 使用自有數(shù)據(jù)進行訓練

4.1 數(shù)據(jù)&腳本&訓練代碼

大白為了讓大家從0基礎，就可以學會訓練，準備了三個文件。

（1）data：人頭數(shù)據(jù)集

為了便于大家學習，大白準備了一個教室場景下的人頭數(shù)據(jù)集，放在data/head/classroom文件夾中。

數(shù)據(jù)集中，JPEGImages有4361張圖片，Annotations有4361張xml文件。

（2）train_code：數(shù)據(jù)處理腳本

在train_code文件夾中，有三個python文件，主要使用的是get_labels.py和main.py兩個腳本。

get_labels.py腳本，可以直接獲取Annotations文件夾中，所有標注文件的標注類別。

而main.py腳本，可以將之前標注文件和圖像，進行處理，轉換成Yolov5可以訓練的格式。

（3）yolov5-master：訓練代碼

這個文件夾里面就是Yolov5的訓練測試代碼，大家也可以直接使用大白提供的Yolov5代碼。

4.2 查看自有數(shù)據(jù)集中的類別數(shù)

打開train_code/get_labels.py，修改下方的人頭數(shù)據(jù)集路徑。

運行后，在下方就可以看到類別數(shù)，以及標注的類別框的數(shù)量。

4.3 轉換訓練數(shù)據(jù)格式

（1）新建數(shù)據(jù)集轉換文件夾

首先在data文件夾里面，新建一個head_train_data文件夾。

并在head_train_data文件夾中，新建一個images_label_split文件夾。

并將前面的classroom數(shù)據(jù)集，直接拷貝到images_label_split里面。

（2）main.py腳本處理：配置修改

打開train_code/main.py文件，修改訓練數(shù)據(jù)的路徑。

在前面通過get_labels.py腳本，我們也知道了當前數(shù)據(jù)集的類別數(shù)，比如主要是“head”，將該類別填入label_list中。

而main.py文件主要分為三個部分的功能：數(shù)據(jù)集的清洗、訓練集&驗證集劃分、xml轉換txt格式。

（3）main.py腳本處理：數(shù)據(jù)集清洗

數(shù)據(jù)集的清洗使用的主要是這些行的代碼。

有的數(shù)據(jù)集有圖片，沒有標注文件。有的數(shù)據(jù)集有標注文件，圖片有可能丟失。

同時將長寬比太小的框刪除掉，并且在刪除后，檢查下是否存在空的標注文件，如果有，也刪除。

并在最后，將標注的框顯示到圖片上，進一步確定腳本是否正確。

運行上面的代碼，最后會跳出來一些畫了人頭框的圖片。

（4）main.py腳本處理：訓練集&驗證集劃分

訓練集&驗證集劃分的代碼主要是這一行代碼。

0.2表示，80%的數(shù)據(jù)進行訓練，20%的數(shù)據(jù)進行驗證。

運行結束后，會發(fā)現(xiàn)head_train_data這個文件夾下面多了兩個文件夾，train和test，就是按照80%、20%進行劃分。

（5）main.py腳本處理：：xml轉換txt格式

xml轉換成txt格式的代碼主要是下面三行。

運行結束后，可以看到多了兩個文件夾。

image_txt文件夾中是所有的image和轉換完的txt文件、

而train_test_txt文件夾中，則是對于訓練和測試數(shù)據(jù)路徑匯總的兩個txt，后面訓練中會用到。

4.4 Yolov5代碼訓練

4.4.1 修改訓練配置

（1）新建一個yaml文件

因為是訓練人頭數(shù)據(jù)集，所以在data文件夾下先新建一個head.yaml文件，并修改其中的參數(shù)。

可以復制一個coco.yaml文件進行修改，其中主要涉及到訓練集的txt文件、驗證集的txt文件、類別數(shù)量nc、類別標簽名。

（2）修改train.py參數(shù)

① 修改models里面的weights路徑，大白下載了一些pt文件放在models中，可以選擇使用。

② 修改cfg路徑，即網絡結構的參數(shù)配置文件，需要注意的是，需要修改其中的類別數(shù)。

③ 修改data的路徑，即前面修改的head.yaml文件。

4.4.2 開始訓練

運行train.py文件，既可以開始訓練。

可以看到網絡收斂的很快。

4.4.3 訓練結果測試

網絡訓練到一段時間后，可以使用detect.py腳本對于訓練的模型，進行測試了，不過需要修改是三個參數(shù)：

① weights：即前面訓練好得到的權重文件

② source：即需要檢測的圖片數(shù)據(jù)集

③ data：修改成head.yaml

運行detect.py文件后，可以在runs/detect/exp最后一個文件夾中得到檢測的效果圖片：

以上就是Yolov5的詳細訓練過程，其中每一步大白都是經過詳細的測試的，可以下載對應的代碼、權重，進行嘗試。

總結

以上是生活随笔為你收集整理的深入浅出Yolov5之自有数据集训练超详细教程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。