目标检测yolov5 v6.0版，pytorch实现，包含了目标检测数据标注，数据集增强，训练自定义数据集全流程。
Python >= 3.6
Pytorch >= 1.5.x
pip install labelImg ==1.8.6
安装完毕后，键入命令：
labelImg
或者下载工具 labelImg.exe 链接：https://pan.baidu.com/s/14iBlyr3ahhymMukeWjtTEA 提取码：c1dx
如果数据集较多，可以先手动标注少量，然后训练出初版模型，然后用初版模型预测进行预标注，最后人工检查。
步骤：
1.将待标注图像放入auto_label/images
2.修改auto_label.py的第62至65行如下的内容：
path = r"auto_label/images" #待标注图片路径
xml_path = r"auto_label/images" #输出的xml标注文件保存路径
yolo_model_weight='./weight/IDCard_v6x_best.pt' #模型文件路径
data_conf = './data/custom_data.yaml' #数据集配置文件路径
3.运行auto_label.py
关注公众号datanlp 然后回复关键词 fry 获取
步骤：
1.将标注数据集的标签（xml文件）放入./DataAugForObjectDetection/data/Annotations
2.将标注数据集的图片放入./DataAugForObjectDetection/data/images
3.修改./DataAugForObjectDetection/DataAugmentForObejctDetection.py/中的need_aug_num，即每张图片需要扩增的数量，然后运行./DataAugForObjectDetection/DataAugmentForObejctDetection.py
注意：DataAugmentForObejctDetection_pool.py 是多进程增强版本，耗时较少。代码中的process不宜设置过大否则可能会报错，默认即可。
将 VOC 的数据集转换成 YOLOv5 训练需要用到的格式。
步骤：
1.将标注数据集的标签（xml文件）放入./datasets/Annotations
2.将标注数据集的图片放入./datasets/images
3.将voc_to_coco.py中的class_names改为数据集中标注的类别名称，运行 voc_to_coco.py
需要生成每个图片对应的 .txt 文件，其规范如下：
- 每一行都是一个目标
- 类别序号是零索引开始的（从0开始）
- 每一行的坐标
class x_center y_center width height格式 - 框坐标必须采用归一化的 xywh格式（从0到1）。如果您的框以像素为单位，则将
x_center和width除以图像宽度，将y_center和height除以图像高度。
生成的 .txt 例子：
1 0.1830000086920336 0.1396396430209279 0.13400000636465847 0.15915916301310062
1 0.5240000248886645 0.29129129834473133 0.0800000037997961 0.16816817224025726
1 0.6060000287834555 0.29579580295830965 0.08400000398978591 0.1771771814674139
1 0.6760000321082771 0.25375375989824533 0.10000000474974513 0.21321321837604046
0 0.39300001866649836 0.2552552614361048 0.17800000845454633 0.2822822891175747
0 0.7200000341981649 0.5570570705458522 0.25200001196935773 0.4294294398277998
0 0.7720000366680324 0.2567567629739642 0.1520000072196126 0.23123123683035374
如果数据标签没生成正确，则会报错
mlc = int(np.concatenate(dataset.labels, 0)[:, 0].max()) # max label class
File "D:\app\anaconda3\lib\site-packages\numpy\core\_methods.py", line 40, in _amax
return umr_maximum(a, axis, None, out, keepdims, initial, where)
ValueError: zero-size array to reduction operation maximum which has no identity
在 data/目录下修改数据集配置文件 custom_data.yaml ，文件内容如下
# 目标类型数量，按自己的数据集来改
nc: 3
#目标类型名称，按自己的数据集来改
names: ['person', 'head', 'helmet']步骤：
1.将./gen_anchors/clauculate_anchors.py的CLASS_NAMES改为数据集中标注的类别名称
2.运行 ./gen_anchors/clauculate_anchors.py
跑完会生成一个文件 anchors.txt，里面有得出的建议先验框：
Best Anchors :
[257, 114, 309, 75, 327, 243]
[439, 59, 469, 347, 488, 117]
[497, 460, 500, 240, 500, 172]
在文件夹 ./models 下选择一个你需要的模型然后复制一份出来（选择的预训练模型pt文件模型名称必须与模型配置文件yaml对应，否则加载模型会报错），将文件开头的 nc = 修改为数据集的分类数，修改第六步获取的先验框anchors（可选）。
比如，预训练模型是yolov5s.pt,就需要复制一份./models/yolov5s.yaml，重命名为custom_yolov5.yaml。
然后修改custom_yolov5.yaml中的 nc和anchors（可选）。
# parameters
nc: 1 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
# anchors
anchors:
- [257, 114, 309, 75, 327, 243] # P3/8
- [439, 59, 469, 347, 488, 117] # P4/16
- [497, 460, 500, 240, 500, 172] # P5/32
1.将预训练模型下载放置在weight目录下；
链接1:
https://pan.baidu.com/s/18-ywfDdxuTxQ-ZLdvL_bYw 密码: vsp2
链接2:
https://github.com/ultralytics/yolov5/releases
2.修改train.py中的第454行weights预训练模型的路径；
3.修改train.py中的第455行cfg模型配置文件路径
4.修改train.py中的第455行batch-size
5.运行train.py
注意 workers=0 #必须为0
注意：
如果代码是 从github 重新clone下来的，需要
注释掉 utils/loggers/init.py 的wandb，不然程序会提示你需要注册wandb用户
修改如下：
# try:
# import wandb
#
# assert hasattr(wandb, '__version__') # verify package import not local dir
# if pkg.parse_version(wandb.__version__) >= pkg.parse_version('0.12.2') and RANK in [0, -1]:
# try:
# wandb_login_success = wandb.login(timeout=30)
# except wandb.errors.UsageError: # known non-TTY terminal issue
# wandb_login_success = False
# if not wandb_login_success:
# wandb = None
# except (ImportError, AssertionError):
# wandb = None
wandb = None
train.py开头添加
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
File "/home/lkz/.virtualenvs/lkztor/lib64/python3.6/site-packages/torch/nn/modules/module.py", line 1102, in _call_impl
return forward_call(*input, **kwargs)
File "/data/disk2/pact/yolov5_v6.0/models/common.py", line 47, in forward
return self.act(self.bn(self.conv(x)))
File "/home/lkz/.virtualenvs/lkztor/lib64/python3.6/site-packages/torch/nn/modules/module.py", line 1102, in _call_impl
return forward_call(*input, **kwargs)
File "/home/lkz/.virtualenvs/lkztor/lib64/python3.6/site-packages/torch/nn/modules/conv.py", line 446, in forward
return self._conv_forward(input, self.weight, self.bias)
File "/home/lkz/.virtualenvs/lkztor/lib64/python3.6/site-packages/torch/nn/modules/conv.py", line 443, in _conv_forward
self.padding, self.dilation, self.groups)
RuntimeError: Unable to find a valid cuDNN algorithm to run convolution
显存不足导致
解决办法：减小batchzise
开启训练之后，权重会保存在 ./runs 文件夹里面的每个 exp 文件里面的 weights
批量预测步骤：
1.修改predict.py 内第218行weights 模型文件.pt路径，219行source 待预测图像路径，220行data 数据集配置文件路径
2.其他参数可默认，运行predict.py
单张预测步骤：
1.修改detect_image_only.py内第97行至100行的模型路径，数据集配置文件路径等内容
2.运行detect_image_only.py
部署代码简化：
yolo5_inference目录下是清理掉无关代码后的模型部署推理代码，只需关注某几个参数即可。
鱼苗目标检测模型下载
链接: https://pan.baidu.com/s/18-ywfDdxuTxQ-ZLdvL_bYw 密码: vsp2
pip install onnx==1.7.01.修改export.py 中第477行的数据集配置文件路径和模型文件路径，如下：
parser.add_argument('--data', type=str, default='data/custom_data.yaml', help='dataset.yaml path')
parser.add_argument('--weights', nargs='+', type=str, default='weight/best.pt', help='model.pt path(s)')
2.运行export.py
onnx 和 torchscript 文件会生成在 ./weights 文件夹中
https://github.com/ultralytics/yolov5
机器学习，深度学习算法学习，计算机视觉cv，自然语言处理NLP，人工智能AI资源分享，案例源码分享
关注微信公众号 ： 机器学习算法AI大数据技术
扫下方二维码关注公众号
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent