Yolov5 环境配置完成后配置练习文件以及练习数据注意事项
参考https://blog.csdn.net/qq_36756866/article/details/109111065
1）准备自己的数据集
…images # 存放图片
…Annotations # 存放图片对应的xml文件
…ImageSets/Main #之后会在Main文件夹内自动生成train.txt，val.txt，test.txt和trainval.txt四个文件，存放训练集、验证集、测试集图片的名字（无后缀.jpg）
示例如下：
如果生成的是xml文件是以下的步骤（txt生成的在下面
开始{
yolo_1文件夹下内容如下：
Annotations文件夹下面为xml文件（标注工具采用labelImage），内容如下：
images为VOC数据集格式中的JPEGImages，内容如下：
脚本内容在
脚本功能：ImageSets文件夹下面有个Main子文件夹，其下面存放训练集、验证集、测试集的划分，通过脚本生成，可以创建randomfile_xmlstep1一个文件
运行代码后，在Main文件夹下生成下面四个txt文档：
2.接下来准备labels，把数据集格式转换成yolo_txt格式，即将每个xml标注提取bbox信息为txt格式（这种数据集格式成为yolo_txt格式），每个图像对应一个txt文件，文件每一行为一个目标的信息，包括class, x_center, y_center, width, height格式。格式如下：
创建labels
创建 脚本，将训练集、验证集、测试集生成label标签（训练中要用到），同时将数据集路径导入txt文件中
运行后会生成如下laels文件夹和三个包含数据集的txt文件，其中labels中为不同图像的标注文件，train.txt等txt文件为划分后图像所在位置的绝对路径，如train.txt就含有所有训练集图像的绝对路径。
运行voc_label.py时报错“ZeroDivisionError: float division by zero”的原因是：标注文件中存在width为0或者height为0的数据，检查修改后可解决。
三个txt文件里面的内容如下：
}结束
如果生成的是txt文件是以下的步骤
开始{
运行生成ImageSets内容的脚本
脚本内容在
脚本功能：ImageSets文件夹下面有个Main子文件夹，其下面存放训练集、验证集、测试集的划分，通过脚本生成，可以创建randomfile_xmlstep1一个文件
运行代码后，在Main文件夹下生成下面四个txt文档：
2.接下来准备labels，把数据集格式转换成yolo_txt格式，即将每个xml标注提取bbox信息为txt格式（这种数据集格式成为yolo_txt格式），每个图像对应一个txt文件，文件每一行为一个目标的信息，包括class, x_center, y_center, width, height格式。格式如下：
创建labels
创建 脚本，将训练集、验证集、测试集生成label标签（训练中要用到），同时将数据集路径导入txt文件中
运行后会生成如下labels文件夹和三个包含数据集的txt文件，其中labels中为不同图像的标注文件，train.txt等txt文件为划分后图像所在位置的绝对路径，如train.txt就含有所有训练集图像的绝对路径。
运行voc_label.py时报错“ZeroDivisionError: float division by zero”的原因是：标注文件中存在width为0或者height为0的数据，检查修改后可解决。
三个txt文件里面的内容如下：
}结束 调用脚本的时候需要更改其中的相关路径
3配置文件
1）数据集的配置
在yolov5目录下的data文件夹下新建一个ab.yaml文件（可以自定义命名），用来存放训练集和验证集的划分文件（train.txt和val.txt），这两个文件是通过运行voc_label.py代码生成的，然后是目标的类别数目和具体类别列表
疑问：ab.yaml文件中train和val通过train.txt和val.txt指定，我在训练时报错会提示datasets文件找不到 说明路径设置的不对 脚本生成的文本路径也会影响
2）模型训练
源码中在yolov5目录下的weights文件夹下提供了下载四种预训练模型的脚本----download_weights.sh
2.训练
在train.py进行以下几个修改：
以上参数解释如下：
epochs：指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点。
batch-size：一次看完多少张图片才进行权重更新，梯度下降的mini-batch,显卡不行你就调小点。
cfg：存储模型结构的配置文件
data：存储训练、测试数据的文件
img-size：输入图片宽高,显卡不行你就调小点。
rect：进行矩形训练
resume：恢复最近保存的模型开始训练
nosave：仅保存最终checkpoint
notest：仅测试最后的epoch
evolve：进化超参数
bucket：gsutil bucket
cache-images：缓存图像以加快训练速度
weights：权重文件路径
name： 重命名results.txt to results_name.txt
device：cuda device, i.e. 0 or 0,1,2,3 or cpu
adam：使用adam优化
multi-scale：多尺度训练，img-size +/- 50%
single-cls：单类别的训练集
之后运行训练命令如下：
python train_1.py --img 640 --batch 8 --epochs 300 --data data/ab.yaml --weights yolov5x.pt
你是否还在寻找稳定的海外服务器提供商？创新互联www.cdcxhl.cn海外机房具备T级流量清洗系统配攻击溯源，准确流量调度确保服务器高可用性，企业级服务器适合批量采购，新人活动首月15元起，快前往官网查看详情吧
重庆分公司
重庆分公司
