0 介紹

YOLO(You Only Look Once)是一種流行的物體檢測和圖像分割模型，由華盛頓大學的約瑟夫-雷德蒙（Joseph Redmon）和阿里-法哈迪（Ali Farhadi）開發。YOLO 于 2015 年推出，因其高速度和高精確度而迅速受到歡迎。

YOLOv5 在 YOLOv4 的基礎上進一步提高了模型的性能，并增加了超參數優化、集成實驗跟蹤和自動導出為常用導出格式等新功能。

1 環境搭建

1.1 python 環境

使用 conda 創建干凈的 python 環境，conda 的安裝和其他軟件安裝類似。

conda 創建 python 環境：

conda create -n yolo

有可能在這一步出現 Conda cannot proceed due to an error in your proxy configuration.，或者CondaHTTPError: HTTP 000 CONNECTION FAILED for url …等相關的網絡問題。一個可行的解決方法是修改~/.condarc，修改 conda 的鏡像配置：

vim ~/.condarc// 把下面的內容添加到文件的末尾
channels:- defaults
show_channel_urls: true
default_channels:- http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main- http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r- http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:conda-forge: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudmsys2: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudbioconda: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudmenpo: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudpytorch: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudpytorch-lts: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudsimpleitk: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

一般情況下此時問題已經解決了。也有可能會出現SSLError(SSLError(SSLError(“bad handshake: Error(…)”)))相關的報錯。SSL 連接問題極有可能是 https 安全性導致的問題，可以把上面~/.condarc中的一系列地址中的 https 都改成了 http即可。此時大概率問題可以解決。如果還有問題，就只能另尋他法了。

1.2 下載YOLO-v5框架

可以直接使用 git clone github 上的 YOLOv5 項目，

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

由于網絡的原因，可能會在這里超時而克隆失敗。那么可以在 github YOLOv5 上把項目的壓縮包下載下來解壓即可：

unzip yolov5-master.zip
mv yolov5-master yolov5 && cd yolov5

1.3 安裝依賴

python3 -m pip install -r requirements.txt

1.4 下載與訓練權重

創建一個新的文件夾，用于存放YOLO-v5官方提供的預訓練權重，

mkdir weights

到YOLO-v5-GitHub官方下載權重文件，點擊藍色超鏈接即可進行下載，下載好的預訓練權重放在前面新建的weights文件夾下。

1.5 環境測試

至此，環境搭建基本就完成了，現在測試一下搭建的環境是否正常。

python3 detect.py --weights weights/yolov5s.pt --source data/images #   --weights的意思是指定權重文件，–source的意思是指定檢測文件地址

推理的結果存放在./runs/detec/exp，可以正常檢測出人、巴士，說明YOLO環境搭建沒有問題。

2 制作數據集

2.1 使用 labelimg 進行圖片標注

labelimg 是常用的圖片標注工具，用來準備 yolo 格式的數據集。安裝 labelimg

pip install labelimg

圖片標注完成之后，得到YOLO格式的txt文本文件。一張張圖片進行標注，得到全部數據。

2.2 創建文件夾

在 Yolov5 的路徑下創建satasets文件夾，用于存放數據集。

mkdir datasets

在datasets下面創建文件夾images和labels分別用來存放圖片和標簽

mkdir datasets/images datasets/labels

在images（圖片）和labels（標簽）中分別再創建兩個文件夾，一個是train（訓練），一個是val（測試），分別存放圖片數據和標簽數據。

mkdir datasets/images/train datasets/images/val
mkdir datasets/labels/train datasets/labels/val

最終的目錄結構如下：

datasets/
├── images
│   ├── train
│   └── val
└── labels├── train└── val

2.3 配置數據集和模型參數

2.3 1 配置數據集

修改數據集配置文件data/coco128.yaml，修改文件中的path, train, val, names這幾項的配置信息，修改為如下：

path: /path/to/datasets # dataset root dir
train: /path/to/datasets/images/train # train images (relative to 'path') 128 images
val: /path/to/datasets/images/train # val images (relative to 'path') 128 images
test: # test images (optional)# Classes
names:0: class_name_01: class_name_1

names 根據實際數據集有哪些類別名稱就配置幾個

2.3.2 配置模型參數

修改模型配置文件：models/yolov5s.yaml
這里只需要修改nc數，nc數指的是目標檢測的種類數，因此這里需要將nc修改為前面data/coco128.yaml中的names的數量一致即可。

3 訓練

3.1 訓練模型

使用預訓練權重yolov5s.pt和默認yolov5s網絡框架進行訓練。

python3 train.py  --weights weights/yolov5s.pt

訓練完成之后，在run文件夾中查看訓練后的數據文件。

3.2 查看訓練效果

使用detect.py進行測試，–weights選擇訓練完畢的權重文件，–source選擇需要測試的圖片。

python3 detect.py --weights run/train/exp/weights/best.pt --source data/images