使用YOLOV5-Lite训练模型

YOLO
1.9k 词

在Windows上使用yolov5-lite部署和训练

一、克隆YOLOV5-lite仓库

1
git clone https://github.com/ppogg/YOLOv5-Lite.git

克隆后使用IDE打开该文件夹

输入

1
pip install -r requirements.txt

安装依赖文件

二、下载权重文件

1
git clone https://gitcode.com/open-source-toolkit/8fb60.git

v5lite_s,复制到yolov5的weights文件夹

三、准备训练集

使用labelimg进行训练集标注

labelimg已打包好的程序

1
2
通过网盘分享的文件：windows_v1.8.1.zip
链接: https://pan.baidu.com/s/1L4oobKRK2EWzRD9e9SW8MQ?pwd=75kf 提取码: 75kf

在yolov5-lite文件夹里创建一个新的文件夹，名为xunlianji

文件结构如下图

1
2
3
4
5
6
7
8
9
10
xunlianji
	--train
		--images
		--label
	--valid
		--images
		--label
	--text
		--images
		--label

四、准备配置文件

准备model文件

复制data文件夹里的coco128.yaml到xunlianji里，修改名称xunlianji_model.yaml

修改文件内的nc

nc的值为你的标签数量

复制data文件夹里的v5Lite-s.yaml到xunlianji里，修改名称xunlianji_parameter.yaml

修改文件里的内容

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
# COCO 2017 dataset http://cocodataset.org - first 128 training images
# Train command: python train.py --data coco128.yaml
# Default dataset location is next to /yolov5:
#   /parent_folder
#     /coco128
#     /yolov5


# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ./xunlianji/train/images/  # 128 images
val: ./xunlianji/vaild/images/  # 128 images

# number of classes
nc: 6

# class names
names: [ 'red', 'green', 'blue',"red_box","green_box","blue_box" ]

train为train的地址

val为valid的地址

nc为标签数量

names为所有标签内容

五、修改train.py

  • --weights：指定预训练权重，这里我们使用的是yolov5s.pt，如果没有下载，你运行后它会自己下载的

  • --cfg：指定模型配置文件，这里我们使用的是yolov5s.yaml

  • --data：指定数据集配置文件，这里我们使用的是myvoc.yaml。这个要改成你自己的配置文件路径。

  • --epoch：指定训练的轮数，这里我们设置为200。训练200次

  • --batch-size：指定训练的batch size，这里我们设置为8。训练8张图片后进行权重更新

  • --img：指定训练的图片大小，这里我们设置为640。

  • --device：指定训练的设备，这里我们设置为cpu。当然cpu会比较慢而且如果你cpu不咋行会报一些错，如果可以建议用GPU训练。

我们设置如下几个核心配置：

–weights v5lite-s.pt

–cfg models/v5Lite-s.yaml

–data data/mydata.yaml

–img-size 320

–batch-size 16

–data data/mydata.yaml

device 0/cpu （可以不使用CUDA训练）

修改后运行train.py

训练成功之后，将会在当前目录下的 run 文件下的 trian 文件下找到 expx (x代表数字)，expx 则存放了第 x 次训练时候的各种数据内容，包括：历史最优权重best_weight，当前权重last_weight，训练结果result等等；

留言