# yolov5_v6.0_object_detection **Repository Path**: jari/yolov5_v6.0_object_detection ## Basic Information - **Project Name**: yolov5_v6.0_object_detection - **Description**: No description available - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2025-10-21 - **Last Updated**: 2025-10-21 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # yolov5_v6.0_object_detection 目标检测yolov5 v6.0版，pytorch实现，包含了目标检测数据标注，数据集增强，训练自定义数据集全流程。 ### 一.环境 ```text Python >= 3.6 Pytorch >= 1.5.x ``` ## ## 二.标注工具 pip install labelImg ==1.8.6 安装完毕后，键入命令： > labelImg 或者下载工具 labelImg.exe 链接：https://pan.baidu.com/s/14iBlyr3ahhymMukeWjtTEA 提取码：c1dx ------ ##### 半自动标注 如果数据集较多，可以先手动标注少量，然后训练出初版模型，然后用初版模型预测进行预标注，最后人工检查。 步骤： 1.将待标注图像放入auto_label/images 2.修改auto_label.py的第62至65行如下的内容： ``` path = r"auto_label/images" #待标注图片路径 xml_path = r"auto_label/images" #输出的xml标注文件保存路径 yolo_model_weight='./weight/IDCard_v6x_best.pt' #模型文件路径 data_conf = './data/custom_data.yaml' #数据集配置文件路径 ``` 3.运行auto_label.py ------ ##### 鱼苗目标检测标注数据集分享衔接： 关注公众号datanlp 然后回复关键词 **fry** 获取 ### 三.数据集增强 步骤： 1.将标注数据集的标签（xml文件）放入./DataAugForObjectDetection/data/Annotations 2.将标注数据集的图片放入./DataAugForObjectDetection/data/images 3.修改./DataAugForObjectDetection/DataAugmentForObejctDetection.py/中的need_aug_num，即每张图片需要扩增的数量，然后运行./DataAugForObjectDetection/DataAugmentForObejctDetection.py 注意：DataAugmentForObejctDetection_pool.py 是多进程增强版本，耗时较少。代码中的process不宜设置过大否则可能会报错，默认即可。 ### 四.数据集格式转换 将` VOC` 的数据集转换成 `YOLOv5` 训练需要用到的格式。 步骤： 1.将标注数据集的标签（xml文件）放入./datasets/Annotations 2.将标注数据集的图片放入./datasets/images 3.将voc_to_coco.py中的class_names改为数据集中标注的类别名称，运行 voc_to_coco.py ------ ##### 额外说明 需要生成每个图片对应的 `.txt` 文件，其规范如下： - 每一行都是一个目标 - 类别序号是零索引开始的（从0开始） - 每一行的坐标 `class x_center y_center width height` 格式 - 框坐标必须采用**归一化的 xywh**格式（从0到1）。如果您的框以像素为单位，则将`x_center`和`width`除以图像宽度，将`y_center`和`height`除以图像高度。 生成的 `.txt` 例子： ```text 1 0.1830000086920336 0.1396396430209279 0.13400000636465847 0.15915916301310062 1 0.5240000248886645 0.29129129834473133 0.0800000037997961 0.16816817224025726 1 0.6060000287834555 0.29579580295830965 0.08400000398978591 0.1771771814674139 1 0.6760000321082771 0.25375375989824533 0.10000000474974513 0.21321321837604046 0 0.39300001866649836 0.2552552614361048 0.17800000845454633 0.2822822891175747 0 0.7200000341981649 0.5570570705458522 0.25200001196935773 0.4294294398277998 0 0.7720000366680324 0.2567567629739642 0.1520000072196126 0.23123123683035374 ``` 如果数据标签没生成正确，则会报错 ``` mlc = int(np.concatenate(dataset.labels, 0)[:, 0].max()) # max label class File "D:\app\anaconda3\lib\site-packages\numpy\core\_methods.py", line 40, in _amax return umr_maximum(a, axis, None, out, keepdims, initial, where) ValueError: zero-size array to reduction operation maximum which has no identity ``` --- ### 五.修改数据集配置文件 在 `data/目录下修改数据集配置文件 `custom_data.yaml ，文件内容如下 ```yaml # 目标类型数量，按自己的数据集来改 nc: 3 #目标类型名称，按自己的数据集来改 names: ['person', 'head', 'helmet'] ``` ### 六.聚类得出先验框（Yolov5 内部已做适配，可选） 步骤： 1.将`./gen_anchors/clauculate_anchors.py`的CLASS_NAMES改为数据集中标注的类别名称 2.运行 `./gen_anchors/clauculate_anchors.py` 跑完会生成一个文件 `anchors.txt`，里面有得出的建议先验框： ```text Best Anchors : [257, 114, 309, 75, 327, 243] [439, 59, 469, 347, 488, 117] [497, 460, 500, 240, 500, 172] ``` ### 七.修改模型配置文件 在文件夹 `./models` 下选择一个你需要的模型然后复制一份出来（选择的预训练模型pt文件模型名称必须与模型配置文件yaml对应，否则加载模型会报错），将文件开头的 `nc = ` 修改为数据集的分类数，修改第六步获取的先验框anchors（可选）。 比如，预训练模型是yolov5s.pt,就需要复制一份`./models/yolov5s.yaml`，重命名为custom_yolov5.yaml。 然后修改custom_yolov5.yaml中的 nc和anchors（可选）。 ```yaml # parameters nc: 1 # number of classes depth_multiple: 0.33 # model depth multiple width_multiple: 0.50 # layer channel multiple # anchors anchors: - [257, 114, 309, 75, 327, 243] # P3/8 - [439, 59, 469, 347, 488, 117] # P4/16 - [497, 460, 500, 240, 500, 172] # P5/32 ``` ### 八.开始训练 1.将预训练模型下载放置在weight目录下； 链接1: https://pan.baidu.com/s/18-ywfDdxuTxQ-ZLdvL_bYw 密码: vsp2 链接2: https://github.com/ultralytics/yolov5/releases 2.修改train.py中的第454行weights预训练模型的路径； 3.修改train.py中的第455行cfg模型配置文件路径 4.修改train.py中的第455行batch-size 5.运行train.py 注意 workers=0 #必须为0 ------ 注意： 如果代码是 从github 重新clone下来的，需要 注释掉 utils/loggers/__init__.py 的wandb，不然程序会提示你需要注册wandb用户 修改如下： ``` # try: # import wandb # # assert hasattr(wandb, '__version__') # verify package import not local dir # if pkg.parse_version(wandb.__version__) >= pkg.parse_version('0.12.2') and RANK in [0, -1]: # try: # wandb_login_success = wandb.login(timeout=30) # except wandb.errors.UsageError: # known non-TTY terminal issue # wandb_login_success = False # if not wandb_login_success: # wandb = None # except (ImportError, AssertionError): # wandb = None wandb = None ``` train.py开头添加 ``` os.environ['CUDA_VISIBLE_DEVICES'] = '0' ``` ------ ``` File "/home/lkz/.virtualenvs/lkztor/lib64/python3.6/site-packages/torch/nn/modules/module.py", line 1102, in _call_impl return forward_call(*input, **kwargs) File "/data/disk2/pact/yolov5_v6.0/models/common.py", line 47, in forward return self.act(self.bn(self.conv(x))) File "/home/lkz/.virtualenvs/lkztor/lib64/python3.6/site-packages/torch/nn/modules/module.py", line 1102, in _call_impl return forward_call(*input, **kwargs) File "/home/lkz/.virtualenvs/lkztor/lib64/python3.6/site-packages/torch/nn/modules/conv.py", line 446, in forward return self._conv_forward(input, self.weight, self.bias) File "/home/lkz/.virtualenvs/lkztor/lib64/python3.6/site-packages/torch/nn/modules/conv.py", line 443, in _conv_forward self.padding, self.dilation, self.groups) RuntimeError: Unable to find a valid cuDNN algorithm to run convolution ``` 显存不足导致 解决办法：减小batchzise ### 训练模型保存 开启训练之后，权重会保存在 `./runs` 文件夹里面的每个 `exp` 文件里面的 weights # 九. 预测 批量预测步骤： 1.修改predict.py 内第218行weights 模型文件.pt路径，219行source 待预测图像路径，220行data 数据集配置文件路径 2.其他参数可默认，运行predict.py 单张预测步骤： 1.修改detect_image_only.py内第97行至100行的模型路径，数据集配置文件路径等内容 2.运行detect_image_only.py 部署代码简化： yolo5_inference目录下是清理掉无关代码后的模型部署推理代码，只需关注某几个参数即可。 鱼苗目标检测模型下载 链接: https://pan.baidu.com/s/18-ywfDdxuTxQ-ZLdvL_bYw 密码: vsp2 ![348e6d2c1a4b05bbe803453744e56c7e](https://user-images.githubusercontent.com/24771833/155885674-28c75133-3d83-40da-a49d-0a9fcdef5070.jpeg) ![5f77238d9f6fbb676a2fcd3ebee3dbad](https://user-images.githubusercontent.com/24771833/155885689-146f1193-9f43-4bd5-9baa-26f07774c178.jpeg) # 十. 生成 ONNX ## 安装 `onnx` 库 ```shell script pip install onnx==1.7.0 ``` ## 执行生成 1.修改export.py 中第477行的数据集配置文件路径和模型文件路径，如下： ``` parser.add_argument('--data', type=str, default='data/custom_data.yaml', help='dataset.yaml path') parser.add_argument('--weights', nargs='+', type=str, default='weight/best.pt', help='model.pt path(s)') ``` 2.运行export.py `onnx` 和 `torchscript` 文件会生成在 `./weights` 文件夹中 ## 参考 https://github.com/ultralytics/yolov5 机器学习，深度学习算法学习，计算机视觉cv，自然语言处理NLP，人工智能AI资源分享，案例源码分享 关注微信公众号 ： 机器学习算法AI大数据技术 ##### 公众号ID：datanlp 扫下方二维码关注公众号 ![公众号_机器学习算法AI大数据技术_datanlp](https://user-images.githubusercontent.com/24771833/155885619-383835bd-5c23-43a6-b04b-d3eb65484ccb.jpg)