Yolov5-5.0源码保姆教程！源码测试以及自建数据集复现！

一、源码测试

1. 下载源码

下载地址点击此处！

2. 解压后，将原本文件名yolov5-5.0进行重命名。如：yolov5。

3. 创建虚拟环境

（1）使用conda创建新的虚拟环境，python版本3.8！

conda create -n yolov5 python=3.8

（2） conda activate yolov5 激活环境。
（3）cd 进入源码文件夹requirements的目录下，通过 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple ，安装所有的模块文件。
（4）卸载numpy文件，重新装另一个版本的。因为后面会因为这个出错，所以提前准备好。

pip uninstall numpy
pip install numpy==1.22.0

坑1：使用pip时一直出错，看一下是否开着“科学上网vpn”，一定要关掉以后再进行pip操作！

4. 修改源码文件

（1） 修改VOC.yaml文件

（2）下载预训练模型权重，将其放在weights文件夹中。

（3）修改detect.py文件

（4）修改torch_utils.py文件

5. 运行源码文件查看效果

进入创建好的虚拟环境，运行detect.py。运行完成后，稍等一段时间，等它生成新的exp文件夹。

二、自建数据集复现

1. 准备数据集

（1）建立文件夹，名称自定义。

（2）进入该文件夹，建立两个新的文件夹。一个存放将要进行标签的图片，另一个存标签后的图片数据。再创建一个txt文件，里面存放标签的类别。

因为我要鉴别电脑，瓶子和杯子，所以我的class.txt文件存放内容如下：

（3） 将自己拍的照片数据集，存放到 images 文件夹中。准备进行标签。

2. 在本机下载labelImg标签软件

（1）进入虚拟环境。
（2）下载labelImg软件。

pip install PyQt5 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pyqt5-tools -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install lxml -i https://pypi.tuna.tsinghua.edu.cn/simple   
pip install labelImg -i https://pypi.tuna.tsinghua.edu.cn/simple

（3）安装完成后，在终端输入命令labelImg，即可打开软件！切记！打开软件时，要在虚拟环境下打开！

坑1：若出现标签时闪退的问题！则是python的版本太高了。需要创建虚拟环境时，使用python版本3.8！

3. 进行图像标签

（1） 进行标签操作。按下‘w’ 会有框进行选中，将选中的图片设置好标签。

（2）设置好一张就点击下一张，所有图片设置完成后，关闭软件即可。我们就可以在labels文件夹中看到标签后的图片数据。

4. 将数据 xml 格式转换为 txt 格式

（1）在总文件夹中新建change.py文件、labels_txt文件夹。labels里面存放的是xml类型的文件。labels_txt存放转为txt格式的文件。

（2）通过pycharm打开该总文件夹，并配置之前创建的虚拟环境。

（3）将下面的代码粘贴到change.py中。只需要修改main函数里的文件夹路径，改为自己的即可。

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join


def convert(size, box):
    x_center = (box[0] + box[1]) / 2.0
    y_center = (box[2] + box[3]) / 2.0
    x = x_center / size[0]
    y = y_center / size[1]
    w = (box[1] - box[0]) / size[0]
    h = (box[3] - box[2]) / size[1]
    return (x, y, w, h)


def convert_annotation(xml_files_path, save_txt_files_path, classes):
    xml_files = os.listdir(xml_files_path)
    print(xml_files)
    for xml_name in xml_files:
        print(xml_name)
        xml_file = os.path.join(xml_files_path, xml_name)
        out_txt_path = os.path.join(save_txt_files_path, xml_name.split('.')[0] + '.txt')
        out_txt_f = open(out_txt_path, 'w')
        tree = ET.parse(xml_file)
        root = tree.getroot()
        size = root.find('size')
        w = int(size.find('width').text)
        h = int(size.find('height').text)

        for obj in root.iter('object'):
            difficult = obj.find('difficult').text
            cls = obj.find('name').text
            if cls not in classes or int(difficult) == 1:
                continue
            cls_id = classes.index(cls)
            xmlbox = obj.find('bndbox')
            b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
                 float(xmlbox.find('ymax').text))
            # b=(xmin, xmax, ymin, ymax)
            print(w, h, b)
            bb = convert((w, h), b)
            out_txt_f.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


if __name__ == "__main__":
    # 需要转换的类别，需要一一对应
    classes1 = ['cup', 'bottle', 'computer']
    # 2、voc格式的xml标签文件路径
    xml_files1 = r'E:\Desktop\DataBase\labels'
    # 3、转化为yolo格式的txt标签文件存储路径
    save_txt_files1 = r'E:\Desktop\DataBase\label_txt'

    convert_annotation(xml_files1, save_txt_files1, classes1)

代码需要修改的内容如下:

通过下面这样可以查看文件夹路径，修改上面代码即可。

（4）运行change.py，发现labels_txt文件夹中多出了转换后的txt文件。

（5）删除原来的 labels文件夹，并将 labels_txt文件夹重命名为labels。

4. 训练集和测试集划分

（1）建立train_val.py文件、label_val文件夹，以及image_val文件夹。

（2） train_val.py文件使用以下代码：

import os, random, shutil


def moveimg(fileDir, tarDir):
    pathDir = os.listdir(fileDir)  # 取图片的原始路径
    filenumber = len(pathDir)
    rate = 0.5  # 自定义抽取图片的比例，比方说100张抽10张，那就是0.1
    picknumber = int(filenumber * rate)  # 按照rate比例从文件夹中取一定数量图片
    sample = random.sample(pathDir, picknumber)  # 随机选取picknumber数量的样本图片
    print(sample)
    for name in sample:
        shutil.move(fileDir + name, tarDir + "\\" + name)
    return


def movelabel(file_list, file_label_train, file_label_val):
    for i in file_list:
        if i.endswith('.jpg'):
           #filename = file_label_train + "\\" + i[:-4] + '.xml'  # labels里面是xml文件。
            filename = file_label_train + "\\" + i[:-4] + '.txt'  # labels里面是txt文件。
            if os.path.exists(filename):
                shutil.move(filename, file_label_val)
                print(i + "处理成功！")


if __name__ == '__main__':
    fileDir = r"E:\Desktop\DataBase\images" + "\\"  # 源图片文件夹路径
    tarDir = r'E:\Desktop\DataBase\image_val'  #部分的图片移动到新的文件夹路径
    moveimg(fileDir, tarDir)
    file_list = os.listdir(tarDir)

    file_label_train = r"E:\Desktop\DataBase\labels"  # 源图片标签路径
    file_label_val = r"E:\Desktop\DataBase\label_val"  # 部分的标签移到 新的标签路径
    # 移动到新的文件路径
    movelabel(file_list, file_label_train, file_label_val)

代码需要修改的地方如下：

（3） 运行train_val.py 代码。

（4）将源文件夹重命名为下面所示。

（5）在桌面新建一个文件夹Image_and-Label。并Image_and-Label文件夹中再新建两个文件夹，images 和 labels。用于存放分类好的数据。

(6) 文件夹进行数据复制

（7）文件夹重命名。将前缀去掉！

（8）再将Image_and-Label文件夹放入代码的工程目录下。

（9）此时数据就已经准备完成了。

5、获得预训练权重

将下载好的权重文件放到工程的weights文件下。

6. 修改代码配置文件

预训练模型和数据集都准备好了，就可以开始训练自己的yolov5目标检测模型了，训练目标检测模型需要修改两个yaml文件中的参数。
（1）修改data目录下的相应的yaml文件。找到目录下的voc.yaml文件，将该文件复制一份，将复制的文件重命名。这里我改为thing.yaml。

打开文件修改下面的配置：

（2）复制module文件夹下的yolov5s.yaml文件，并重命名。修改复制后的文件的参数。

打开文件，并修改识别的类别数目：

（3）修改utils文件夹下的lose文件参数。

（4）修改utils文件夹下的 torch_utils.py文件参数。

（5）修改utils文件夹下的 datasets.py文件参数。

（6）修改train.py参数

还有几个参数根据自己情况修改。
<1> 模型的训练轮次，这里是训练的300轮。自定！

<2>每次放入模型里图片的个数。自定！默认为16，我这里演示图片较少，我填的是2。

<3>使用cpu的核心数。根据自己电脑修改。自定！

至此，就可以运行train.py函数训练自己的模型了。

（7） 可以通过下面的命令获得网址，将网址打开可查看训练过程。

tensorboard --logdir=runs/train

（8）训练完成后，生成两个权重文件，这里我们使用best.pt。作为我们验证集的使用。

（9）修改detect.py参数，并运行。

（10）查看验证照片的结果。如果不显示框，说明置信度太大了，将置信度调小一些。

  对视频进行测试和图片的测试是一样的，只不过是将图片的路径改为视频的路径而已。利用摄像头进行测试只需将路径改写为0，再找到datasets.py这个py文件修改下面的参数即可。