yolov5环境配置和训练

慢慢写不着急

yolov5权重文件（百度网盘）
yolov5weight
提取码：g5jh
鉴于官网权重文件4个月没有跟新，放心食用（20201030）
weight V4.0
提取码：aljp
20210123
复制这段内容后打开百度网盘手机App，操作更方便哦

win10环境下环境配置以及训练

CUDA>=10.0，建议10.1或者10.2

自己去下载
安装位置建议默认，免得事多
添加环境变量
在这里插入图片描述

CUDnn和CUDA相同版本

cudnn下的bin、include、lib复制到cuda里面
在这里插入图片描述
如果cuda默认安装位置，应该就是和我一样

通过Anaconda环境配置环境

自己下载anaconda环境
使用anaconda powershell或者win10自带的powershell
在这里插入图片描述

创建一个python3.7或者3.8的环境

创建环境

conda create -n name python=3.7 #nanme自己改

进入环境

conda creative name

我直接进入我的conda环境的位置里面去配置yolov5
Anaconda\envs\name\yolov5

克隆github上面的库

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

安装依赖项

pip install -r requirements.txt
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple #清华源

pytorch安装失败

我安装的是CUDA10.2的版本选自己的版本
在这里插入图片描述

conda install pytorch torchvision torchaudio cudatoolkit=10.2 -c pytorch

基本上没什么问题了

测试

yolov5的权重已经放在了文章的开头

python test.py

自己去找输出，上面显示了输出结果的位置

训练

数据集格式

train文件下，一个image放所有图片一个labels放对应的txt文件
val、test同理

训练自己的数据集

配置一个data.yaml的文件
上面放上各个数据的路径（绝对路径也行）
nc类别数
name类别名
在这里插入图片描述
修改yolov5s.yaml文件
把nc数改成你的
如果你要用yolov5x，那就改yolov5x.yaml(同理)
关于yolov54个模型的区别自己查
s最小x最大
对应s训练时间最少，训练时间最大
x精度最好，s低一点
建议先s

开始训练

python train.py --data 'data.yaml' --cfg ./models/yolov5s.yaml --weights '' --name Myname

data.yaml就是上面配置的
用的是yolov5s初始话的
权重从0开始
命名

train.py的参数

epochs：指的就是训练过程中整个数据集将被迭代多少次，默认300，作者建议不少于300
batch-size：一次看完多少张图片才进行权重更新，默认16，更具显卡性能来
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
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