GitHub上YOLOv5開源代碼的訓練數據定義

代碼地址：https://github.com/ultralytics/YOLOv5

訓練數據定義地址：https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data

YOLOv5訓練自定義數據

本指南說明了如何使用YOLOv5 訓練自己的自定義數據集。

開始之前

copy此倉庫，下載教程數據集，并安裝requirements.txt依賴項，包括Python> = 3.7和PyTorch> = 1.5。

git clone https://github.com/ultralytics/yolov5 # clone repopython3 -c “from yolov5.utils.google_utils import gdrive_download; gdrive_download(‘1n_oKgR81BJtqk75b00eAjdv03qVCQn2f’,‘coco128.zip’)” # download datasetcd yolov5pip install -U -r requirements.txt

訓練自定義數據

1.創建Dataset.yaml

data / coco128.yaml是一個小型教程數據集，由COCO train2017 中的前128張圖像組成。在此示例中，這些相同的128張圖像用于訓練和驗證。coco128.yaml定義1）訓練圖像目錄的路徑（或帶有訓練圖像列表的* .txt文件的路徑），2）與的驗證圖像相同的路徑，3）類數，4）類列表名稱：

＃訓練和Val的數據集（圖像目錄或* .txt與圖像路徑文件）訓練： …/coco128/images/train2017/ VAL： …/coco128/images/train2017/

類數量

＃類名稱名稱： [“人”，“自行車”，“汽車”，“摩托車”，“飛機”，“公共汽車”，“訓練”，“卡車”，“船”，“交通燈”， “消火栓” ”，“停車標志”，“停車計時器”，“長凳”，“鳥”，“貓”，“狗”，“馬”，“綿羊”，“?！?#xff0c; “大象”，“熊”，“斑馬” '，‘長頸鹿’，‘背包’，‘雨傘’，‘手提包’，‘領帶’，‘手提箱’，‘飛盤’，# parametersnc: 80 # number of classes <------------------ UPDATE to match your datasetdepth_multiple: 0.33 # model depth multiplewidth_multiple: 0.50 # layer channel multiple # anchorsanchors: - [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 backbonebackbone: # [from, number, module, args] [[-1, 1, Focus, [64, 3]], # 1-P1/2 [-1, 1, Conv, [128, 3, 2]], # 2-P2/4 [-1, 3, Bottleneck, [128]], [-1, 1, Conv, [256, 3, 2]], # 4-P3/8 [-1, 9, BottleneckCSP, [256, False]], [-1, 1, Conv, [512, 3, 2]], # 6-P4/16 [-1, 9, BottleneckCSP, [512, False]], [-1, 1, Conv, [1024, 3, 2]], # 8-P5/32 [-1, 1, SPP, [1024, [5, 9, 13]]], [-1, 12, BottleneckCSP, [1024, False]], # 10 ]# yolov5 headhead: [[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 12 (P5/32-large) [-2, 1, nn.Upsample, [None, 2, ‘nearest’]], [[-1, 6], 1, Concat, [1]], # cat backbone P4 [-1, 1, Conv, [512, 1, 1]], [-1, 3, BottleneckCSP, [512, False]], [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 16 (P4/16-medium) [-2, 1, nn.Upsample, [None, 2, ‘nearest’]], [[-1, 4], 1, Concat, [1]], # cat backbone P3 [-1, 1, Conv, [256, 1, 1]], [-1, 3, BottleneckCSP, [256, False]], [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 21 (P3/8-small) [[], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5) ]

2. 創建標簽

使用Labelbox或CVAT等工具標記圖像后，將標簽導出為darknet格式，每個圖像一個*.txt文件（如果圖像中沒有對象，則不需要*.txt文件）。*.txt文件規范如下：

每個對象一行

每一行是類x_center，y_center寬度高度格式。

框坐標必須是標準化的xywh格式（從0到1）。如果方框以像素為單位，請將x_center和寬度除以圖像寬度，將y_center和高度除以圖像高度。

類號是零索引的（從0開始）。

每個圖像的標簽文件應該可以通過在其路徑名中將/image s/.jpg替換為/labels/.txt來定位。圖像和標簽對的示例如下：

dataset/images/train2017/000000109622.jpg # imagedataset/labels/train2017/000000109622.txt # label

一個有5個人的標簽文件示例（所有0類）：

3. 組織目錄

根據下面的示例組織您的train和val圖像和標簽。注意/coco128應該在/yolov5目錄旁邊。確保coco128/labels文件夾位于coco128/images文件夾旁邊。

4. 選擇模型

從./models文件夾中選擇一個模型。在這里，選擇yolov5s.yaml，最小和最快的型號。請參閱的自述表，了解所有型號的完整比較。一旦您選擇了一個模型，如果您沒有訓練COCO，請更新yaml文件中的nc:80參數，以匹配步驟1中數據集中的類數。

**# parametersnc: 80 # number of classes <------------------ UPDATE to match your datasetdepth_multiple: 0.33 # model depth multiplewidth_multiple: 0.50 # layer channel multiple
**
# anchors
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 backbone
backbone: # [from, number, module, args] [[-1, 1, Focus, [64, 3]], # 1-P1/2 [-1, 1, Conv, [128, 3, 2]], # 2-P2/4 [-1, 3, Bottleneck, [128]], [-1, 1, Conv, [256, 3, 2]], # 4-P3/8 [-1, 9, BottleneckCSP, [256, False]], [-1, 1, Conv, [512, 3, 2]], # 6-P4/16 [-1, 9, BottleneckCSP, [512, False]], [-1, 1, Conv, [1024, 3, 2]], # 8-P5/32 [-1, 1, SPP, [1024, [5, 9, 13]]], [-1, 12, BottleneckCSP, [1024, False]], # 10 ]
# yolov5 head
head: [[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 12 (P5/32-large) [-2, 1, nn.Upsample, [None, 2, ‘nearest’]], [[-1, 6], 1, Concat, [1]], # cat backbone P4 [-1, 1, Conv, [512, 1, 1]], [-1, 3, BottleneckCSP, [512, False]], [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 16 (P4/16-medium) [-2, 1, nn.Upsample, [None, 2, ‘nearest’]], [[-1, 4], 1, Concat, [1]], # cat backbone P3 [-1, 1, Conv, [256, 1, 1]], [-1, 3, BottleneckCSP, [256, False]], [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 21 (P3/8-small) [[], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5) ]

5.訓練

運行以下訓練命令以訓練coco128.yaml5個時期。您可以通過傳遞從零開始訓練yolov5，也可以–cfg yolov5s.yaml --weights ''通過傳遞匹配的權重文件從預訓練的檢查點進行訓練：–cfg yolov5s.yaml --weights yolov5s.pt。

# Train yolov5s on coco128 for 5 epochs
$ python train.py --img 640 --batch 16 --epochs 5 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights ‘’

6.可視化

訓練開始后，查看train*.jpg圖像以查看訓練圖像，標簽和增強效果。請注意，鑲嵌數據加載器用于訓練（如下所示），這是由Ultralytics開發并在YOLOv4中首次使用的新數據加載概念。如果這些圖像中的標簽不正確，則說明您的數據標簽不正確，應重新訪問2.創建標簽。

在第一個階段完成后，查看test_batch0_gt.jpg以查看測試批次0地面真相標簽：

并查看test_batch0_pred.jpg以查看測試批次0的預測：

訓練損失和績效指標將保存到Tensorboard以及results.txt日志文件中。訓練完成后results.txt繪制results.png。results.txt可以用繪制部分完成的文件from
utils.utils import plot_results; plot_results()。在這里，顯示從coco128到100個紀元訓練的yolov5，從零開始（橙色），從預訓練的yolov5s.pt權重（藍色）開始：

總結

以上是生活随笔為你收集整理的GitHub上YOLOv5开源代码的训练数据定义的全部內容，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。