使用yolov5训练自己的数据集（详细过程）并通过flask部署
依赖库
- torch
- torchvision
- numpy
- opencv-python
- lxml
- tqdm
- flask
- pillow
- tensorboard
- matplotlib
- pycocotools
Windows，请使用 pycocotools-windows 代替 pycocotools
1.准备数据集
这里以PASCAL VOC数据集为例，提取码： 07wp 将获取的数据集放到datasets目录下 数据集结构如下：
---VOC2012
--------Annotations
---------------xml0
---------------xml1
--------JPEGImages
---------------img0
---------------img1
--------pascal_voc_classes.txt
Annotations为所有的xml文件，JPEGImages为所有的图片文件，pascal_voc_classes.txt为类别文件。
获取标签文件
yolo标签文件的格式如下：
102 0.682813 0.415278 0.237500 0.502778
102 0.914844 0.396528 0.168750 0.451389
第一位 label，为图片中物体的类别
后面四位为图片中物体的位置，（xcenter, ycenter, h, w）即目标物体中心位置的相对坐标和相对高宽
上图中存在两个目标
如果你已经拥有如上的label文件，可直接跳到下一步。 没有如上标签文件，可使用 labelimg 提取码 dbi2 打标签。生成xml格式的label文件，再转为yolo格式的label文件。labelimg的使用非常简单，在此不在赘述。
xml格式的label文件转为yolo格式:
python center/xml_yolo.py
pascal_voc_classes.txt，为你的类别对应的json文件。如下为voc数据集类别格式。
["aeroplane","bicycle", "bird","boat","bottle","bus","car","cat","chair","cow","diningtable","dog","horse","motorbike","person","pottedplant","sheep","sofa","train", "tvmonitor"]
运行上面代码后的路径结构
---VOC2012
--------Annotations
--------JPEGImages
--------pascal_voc_classes.json
---yolodata
--------images
--------labels
2.划分训练集和测试集
训练集和测试集的划分很简单，将原始数据打乱，然后按 9 ：1划分为训练集和测试集即可。代码如下：
python center/get_train_val.py
运行上面代码会生成如下路径结构
---VOC2012
--------Annotations
--------JPEGImages
--------pascal_voc_classes.json
---yolodata
--------images
--------labels
---traindata
--------images
----------------train
----------------val
--------labels
----------------train
----------------val
traindata就是最后需要的训练文件
3. 训练模型
yolov5的训练很简单，本文已将代码简化，代码结构如下：
dataset # 数据集
------traindata # 训练数据集
inference # 输入输出接口
------inputs # 输入数据
------outputs # 输出数据
config # 配置文件
------score.yaml # 训练配置文件
------yolov5l.yaml # 模型配置文件
models # 模型代码
runs # 日志文件
utils # 代码文件
weights # 模型保存路径，last.pt，best.pt
train.py # 训练代码
detect.py # 测试代码
score.yaml解释如下：
# train and val datasets (image directory)
train: ./datasets/traindata/images/train/
val: ./datasets/traindata/images/val/
# number of classes
nc: 2
# class names
names: ['苹果','香蕉']
- train: 为图像数据的train，地址
- val: 为图像数据的val，地址
- nc: 为类别个数
- names: 为类别对应的名称
yolov5l.yaml解释如下：
nc: 2 # number of classes
depth_multiple: 1.0 # model depth multiple
width_multiple: 1.0 # 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
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]],
[-1, 1, Conv, [512, 3, 2]], # 6-P4/16
[-1, 9, BottleneckCSP, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 8-P5/32
[-1, 1, SPP, [1024, [5, 9, 13]]],
[-1, 6, BottleneckCSP, [1024]], # 10
]
head:
[[-1, 3, BottleneckCSP, [1024, False]], # 11
[-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]], # 17 (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]], # 22 (P3/8-small)
[[], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
- nc：为目标类别个数
- depth_multiple 和 width_multiple：控制模型深度和宽度。不同的参数对应：s，m，l，x 模型。
- anchors: 为对输入的目标框通过k-means聚类产生的基础框，通过这个基础框去预测目标的box。
- yolov5会自动产生anchors，yolov5采用欧氏距离进行k-means聚类，再使用遗传算法做一系列的变异得到最终的anchors。但是本人采用欧氏距离进行k-means聚类得到的效果不如采用 1 - iou进行k-means聚类的效果。如果想要 1 - iou 进行k-means聚类源码请私聊我。但是效果其实相差无几。
- backbone: 为图像特征提取部分的网络结构。
- head: 为最后的预测部分的网络结构
#####train.py配置十分简单： 
我们仅需修改如下参数即可
epoch: 控制训练迭代的次数
batch_size 输入迭代的图片数量
cfg: 配置网络模型路径
data: 训练配置文件路径
weights: 载入模型，进行断点继续训练
终端运行(默认yolov5l)
python train.py
即可开始训练。
训练过程
训练结果
4. 测试模型
需要需改三个参数
source： 需要检测的images/videos路径
out： 保存结果的路径
weights： 训练得到的模型权重文件的路径
你也可以使用在coco数据集上的权重文件进行测试将他们放到weights文件夹下
终端运行
python detect.py
即可开始检测。
测试结果
5.通过flask部署
flask的部署是非简单。如果有不明白的可以参考我之前的博客。
阿里云ECS部署python,flask项目，简单易懂，无需nginx和uwsgi
基于yolov3-deepsort-flask的目标检测和多目标追踪web平台
终端运行
python app.py
即可开始跳转到网页，上传图片进行检测。
131 Dec 13, 2022
37 Sep 15, 2022
22 Dec 22, 2022
49 Nov 28, 2022
48 Nov 29, 2022
1 Jan 06, 2022
40 Dec 04, 2022
204 Jul 14, 2022
5 Nov 28, 2022
23.6k Dec 31, 2022
121 Dec 01, 2022
244 Jan 09, 2023
34 Nov 09, 2022
1.5k Jan 04, 2023
24 Oct 26, 2022
3 Nov 02, 2022
1.5k Jan 01, 2023
64 Nov 19, 2022
23 Dec 19, 2022
318 Dec 31, 2022