文章目录
- 1.创建数据集文件夹
- 2.过滤
- 3.训练前置准备
- 3.1 创建数据集目录
- 3.2 创建并写入配置文件
- 3.3 修改训练参数
- 3.4 部分训练结果解释
训练自己的数据集，首先需要安装Yolov5及创建数据集，这些部分在之前的文章中已经提到。
Yolov5安装及简单使用：
数据集标注：
1.创建数据集文件夹
coco数据集官网地址：https://cocodataset.org/
此处使用的是coco数据集来完成，选择Dataset
选择Download
一般情况下，下载2017年的训练、测试、验证集加上2017年Annotations即可
但由于硬件设备限制，在这里便使用验证集来进行训练
下载完成后，需要进行一定的处理来使其能够符合yolov5训练要求的格式，在此处使用一种开源工具来完成。
官网地址：https://github.com/ssaru/convert2Yolo 具体操作按官方文档操作即可。
注意： coco.names文件中只填入所需要的类别即可，之后会对对于无意义图片进行过滤删除，使模型更轻量化。
2.过滤
训练模型时，由于coco数据集存在很多实际项目并不需要的类别的数据，所以需要进行过滤。由于在之前数据格式转换时，已经通过coco.names指定了类别，故而生成的labels文档中存在许多无类别的项，此时需要将其这些无意义的内容删除，若图片要素全部无意义，则删除图片。
import os
url = './data/yolo/dataset/labels'
dirs = os.listdir(url)
pic_zero = []
# 删除labels文件中无意义的内容，并记录下内容全部无意义的文件
for file in dirs:
whole_url = url + '/' + file
f = open(whole_url, 'r+')
flag = 0
contents = []
while True:
content = f.readline()
if content != '':
if content[:4] != 'None':
flag += 1
contents.append(content)
continue
break
name = f.name[-16:-4]
f.close()
f1 = open(whole_url, 'w+')
f1.writelines(contents)
f1.close()
if flag == 0:
pic_zero.append(name)
os.remove(whole_url)
flag = 0
# 删除无意义的图片
for pic in pic_zero:
url_pic = './data/yolo/dataset/images/' + pic + '.jpg'
os.remove(url_pic)3.训练前置准备
3.1 创建数据集目录
创建数据集目录，使其符合类似于以下的目录结构：
train文件夹中就是想要的图片和标签数据了。
3.2 创建并写入配置文件
类似于以下文件内容即可：
3.3 修改训练参数
找到train.py文件，找到main函数，修改其中参数
选择预训练模型，在此处选择yolov5s.pt
选择配置文件，就是之前所创建的配置文件的路径
选择训练轮数，这个参数设置参考设备情况以及数据集大小情况
设置device，选择cpu或第几个gpu，此处选择第0gpu
设置结果保存路径，此处不作改变
设置结果目录名，此处不作改变
之后直接运用train.py文件即可
3.4 部分训练结果解释
weights：训练所得的模型，有best.pt和last.pt，一般选择best.pt
confusion_matrix.png：混淆矩阵
以上图为例，计算bus类别精确率与召回率如下所示：
精确率：0.84/(0.84+0.01+0.02+0.02)=0.94
召回率：0.84/(0.84+0.04+0.10+0.01)=0.85results.png：
第一个图表示的是训练轮数与损失函数均值之间的关系，box表示GIOU损失函数均值，一般值越小，预测框越准；第二个图则表示目标检测loss均值，越小目标检测越准；第三个图是分类loss均值，越小分类越准；val表示验证集的情况；mAP是用Precision和Recall作为两轴作图后围成的面积，@后面的数表示判定iou为正负样本的阈值，@0.5:0.95表示阈值取0.5:0.05:0.95后取均值。
其余结果大部分较易理解，便不再解释。
由结果可以得出，模型训练效果较为优秀。
