YOLOv5的详细使用教程，以及使用yolov5训练自己的数据集

本人环境声明：

自定义数据集：

git clone https://github.com/ultralytics/yolov5 # clone repo

如果下载比较慢，建议使用下面的镜像下载：

git clone https://github.com.cnpmjs.org/ultralytics/yolov5 # clone repo

官方给出的要求是：python>=3.7、PyTorch>=1.5，安装依赖：

cd yolov5 pip install -U -r requirements.txt requirements.txt

/yolov5/weights/download_weights.sh脚本定义下载预训练模型，脚本代码内容如下：

attempt_download函数在/yolov5/utils/google_utils.py脚本中定义

大家直接在google driver中下载即可，地址（可能需要科学上网）：

点我——》带你去：https://drive.google.com/drive/folders/1Drs_Aiu7xx6S-ix95f9kNsA6ueKRpN2J

python3 -c "from yolov5.utils.google_utils import gdrive_download; gdrive_download('1n_oKgR81BJtqk75b00eAjdv03qVCQn2f','coco128.zip')" # download dataset

执行上面的代码，会下载：coco128.zip数据集，该数据是COCO train2017数据的一部分，只取了coco数据集中的128张标注的图片，coco128.zip下载完后解压到/yolov5目录下即可，解压后的coco128文件结构如下：

/yolov5/utils/google_utils.py脚本是下载预训练模型和标注的训练数据集，该脚本代码内容如下：

点我——》带你去：https://drive.google.com/uc?export=download&id=1n_oKgR81BJtqk75b00eAjdv03qVCQn2f

上面下载好预训练

准备好上面的环境和下载好文件之后，就可以开始自定义自己的数据集，进行训练啦！

上面下载好coco128.zip小型数据集之后，这些数据集可以用于训练和验证 /content/yolov5/models/yolov5l.yaml。coco128.yaml中定义了：

下面是/data/coco128.yaml文件中定义的内容：

对数据集进行打标签，可以选择如下两种打标工具：

将标签导出为darknet格式，每个标注图像有一个*.txt文件（如果图像中没有对象，则不需要*.txt文件），*.txt文件格式如下：

通过在器路径名中将/images/*.jpg替换为/label/*.txt，可以定位每个图像的标签文件，示例图像和标签对为：

例如：000000000009.txt标签文件，表示000000000009.jpg图片中标注了8个目标：

根据下图整理自己的训练集和验证集图片及标签。注意：/coco128目录应该和yolov5目录同级，同时确保coco128/labels和coco128/images两个目录同级！

上面已经修改了自定义数据集的配置文件，同时组织好了数据。下面就可以选择一个模型进行训练了。

从./models目录下选择一个模型的配置文件，这里我们选择yolov5s.ymal，这是一个最小最快的模型。关于其他模型之间的比较下面介绍。选择好模型之后，如果你使用的不是coco数据集进行训练，而是自定义的数据集，此时只需要修改*.yaml配置文件中的nc: 80参数和数据的类别列表

下面是yolo5s.ymal配置文件的内容：

yolov5s.yaml配置文件中主要定义了：

上面一切准备就绪，可以开始训练啦

运行下面的命令训练coco128.ymal，训练5epochs。可以有两种训练方式，如下参数：

YOLOv5在coco128上训练5epochs的命令：

python train.py --img 640 --batch 16 --epochs 5 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights ''

训练的更多可选参数：

1、执行训练命令报错：RuntimeError: Model replicas must have an equal number of parameters.，错误显示，模型的副本必须有相同的参数

2、解决方式： 这个可能是由于Pytorch的版本问题导致的错误，我的torch版本为15.0，把版本降为1.4.0即可（参考）：

pip install torch==1.4.0+cu100 torchvision==0.5.0+cu100 -f https://download.pytorch.org/whl/torch_stable.html

1、执行训练命令报错：ModuleNotFoundError: No module named 'yaml'

2、解决方式： 这是由于没有安装yaml库包错误，虽然导入是：import yaml，但是安装的名字却不是yaml，下面是正确安装yaml：

pip install PyYAML

1、执行训练命令报错：AttributeError: 'DistributedDataParallel' object has no attribute 'model'

2、错误解决方式： 这个是由于--device的默认值为''，此时默认会使用多GPU进行训练，但是多GPU训练时就会出现上面这个问题，这可能时一个bug（参考），解决方式就是使用单GPU，把训练命令改成如下：

python train.py --img 640 --batch 16 --epochs 5 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights '' --device 0

在yolov5目录下，使用：

tensorboard --logdir=runs

然后把返回的url地址粘贴到浏览器中即可！我测试显示结果如下：

注意： 如果返回拒绝了我们的请求，可以在tensorboard的后面加上参数--port ip：

tensorboard --logdir=runs --host=192.168.0.134

测试的更多可选参数：

测试命令示例：

python test.py --weights yolov5s.pt --data ./data/coco.yaml --img 640

数据准备有两种方式：

yolov5中的数据集的标签都是保存为YOLO格式的txt文件的，关于：

请参考：这篇博客，这里不在赘述！！！

数据集标注好之后，存放如下目录格式：

按照上面的结构组织好数据的目录结构，然后就可以修改一些训练相关的文件了！

原先的配置文件为：./yolov5/data/coco128.yaml，该文件中内容为：

我们把该文件拷贝一份（这是我个人的习惯，你也可以不改，直接在coco128.yaml文件中进修改）

cp coco128.yaml hat_hair_beard.yaml

然后在hat_hair_beard.yaml中需要修改3处内容：

1、训练集和验证集图片的路径

注意：

最好用绝对路径，我在使用相对路径的时候报错，说路径存在

2、修改类别数nc

nc=7 #我数据集一共分7个类别

3、修改类别列表，把类别修改为自己的类别

names: ['hard_hat', 'other', 'regular', 'long_hair', 'braid', 'bald', 'beard']

修改后的hat_hair_beard.yaml完整配置内容如下：

修改模型配置文件，这里我使用的是yolov5/models/yolov5s.yaml模型的配置文件，个人习惯我还是把改配置文件拷贝一份，为：hat_hair_beard_yolov5s.yaml（你也可以不改，直接在yolov5.yaml中修改）yolov5s.yaml配置文件中原内容为：

因此，在hat_hair_beard.yaml中只需要修改一处，把nc修改为自己的类别数即可

nc : 7

上面数据的准备和配置文件的修改全部准备好之后，就可以开始训练了！！！

训练命令：

python train.py --img 640 --batch 16 --epochs 300 --data ./data/hat_hair_beard.yaml --cfg ./models/hat_hair_beard_yolov5s.yaml --weights ./weights/yolov5s.pt --device 1

关于参数的介绍，上面已经介绍了，这里不再赘述

正常训练，如下图：

训练结束后，会生成两个预训练的模型：

我把最终训练的模型保存拷贝一份，防止下载再训练给覆盖，白白训练！

注意：

当使用--device参数设置多GPU进行训练时，可能会报错：RuntimeError: Model replicas must have an equal number of parameters. 具体错误如下图，会报错的命令：

这是用yolov5l.pt预训练模型训练的效果

可以看到，使用yolov5l.pt预训练模型，保存的最终模型和最优模型都比较大：

1、单张图片测试命令：

python detect.py --source inference/1_input/1_img/hat3.jpg --we ights ./weights/last_hat_hair_beard_20200804.pt --output inference/2_output/1_img/ --device 1

原图：

测试结果图： 从结果可以看到，置信度还是很高的，而且目标都检测到了！（保存的结果图片，会把上一此保存的测试结果图删了，最终只保存最后一侧测试的结果图）

2、图片目录测试

python detect.py --source inference/1_input/2_imgs_hat --weights ./weights/last_hat_hair_beard_20200804.pt --output inference/2_output/2_imgs_hat --device 1

下面是测试图片集的效果：

使用如下命令，然后在浏览器中查看一些数据指标的可视化图

tensorbaord --logdir=runs

1、scalars

2、images

使用预训练的模型进行推理测试，YOLOv5支持多种数据源推理测试，如下：

使用python detect.py进行推理，关于推理的更多参数使用如下命令查看：

python detect.py -h

我把自己的推理的输出和输入组织成如下文件结构：

1、推理图片命令

python detect.py --source inference/1_input/1_img/bus.jpg --weights ./weights/yolov5s.pt --output inference/2_output/1_img/

直接指定输出结果保存的目录即可，保存名字和输入图片命令相同！ 2、测试结果如下

测试图片： 测试结果：

1、推理目录下图片集命令

python detect.py --source inference/1_input/2_imgs --weights ./weights/yolov5s.pt --output inference/2_output/2_imgs

2、测试结果如下

如果检测中有些图片置信度比较低的可以通过--conf-thres参数过滤掉，例如：

python detect.py --source inference/1_input/2_imgs --weights ./weights/yolov5s.pt --output inference/2_output/2_imgs --conf-thres 0.8

默认--conf-thres的值为0.4，如果我们把置信度的阈值设置为0.8，此时在下面的这图中就看不到检测目标的框！

1、推理视频命令

python detect.py --source test.mp4 --weights ./weights/yolov5s.pt --output test_result/3_video

如果想指定输出视频的fourcc格式，用如下命令：

python detect.py --source test.mp4 --weights ./weights/yolov5s.pt --output test_result/3_video --fourcc H264

关于ffmeg支持的fourcc格式（参考），注意：视频的格式必须时四个字符长度

2、推理视频结果

本来我是想上传视频的，但是CSDN目前只支持腾讯、优酷、哔哩哔哩，没有自己的视频服务器，如果上传还需要等待审核，比较慢，我我就直接放个gif动图，大家简单看下效果吧，又由于CSDN限制上传图片小于5M，因此只能截取不到1秒（泪奔，我不想再去压缩一下，费劲）：

推理测试命令：

1、训练开始后，浏览train*.jpg图像查看训练的图片（training images）、标签（labels）和数据增强的结果。注意：mosaic数据增强的数据用于训练（增强图片如下图所示），这是由UItralytics在YOLOv4中创建的一种图像数据增强方法。如果你发现你标注的标签有不正确的，你应该回去重新标注！

Image(filename='./train_batch1.jpg', width=900) # view augmented training mosaics

2、第一个epoch完成之后，查看test_batch0_gt.jpg，可以看到测试batch 0 ground truth的标签，如下图所示：

Image(filename='./test_batch0_gt.jpg', width=900) # view test image labels

3、通过查看test_batch0_pred.jpg来查看test batch 0 predictions，结果下图所示：

Image(filename='./test_batch0_pred.jpg', width=900) # view test image predictions

训练损失（training losses）和性能指标（performance metrrics）被保存到Tensorboard和results.txt日志文件中。result.txt绘制训练完成之后的结果，保存为result.png。可以使用如下代码，绘制部分完成的results.txt

这里我们显示YOLOv5s在coco128上训练100 epochs：

参考1参考2参考3

任何程序错误，以及技术疑问或需要解答的，请添加