从零开始：利用YOLOv5训练自己的数据集
本资源文件提供了从零开始利用YOLOv5训练自己的数据集的详细教程，包含coco128数据集和YOLOv5权重文件的国内下载链接。更新于2020年7月28日。
内容概述
- 准备工作
- 下载YOLOv5项目
- 下载官方例子的数据集
- 安装项目需求
- 训练自定义数据
- 创建Dataset的yaml文件
- 创建标签
- 组织目录
- 选择模型
- 训练模型
- 可视化
- 查看训练图像、标签和增强效果
- 查看每代的预测结果
- 查看训练的损失和性能指标
- 补充
- 解决常见问题
- 更新YOLOv5文件
使用步骤
1. 准备工作
首先，克隆YOLOv5项目并下载官方例子的数据集：
git clone https://github.com/ultralytics/yolov5
python3 -c "from yolov5.utils.google_utils import gdrive_download; gdrive_download('1n_oKgR81BJtqk75b00eAjdv03qVCQn2f', 'coco128.zip')"
cd yolov5
pip install -U -r requirements.txt
2. 训练自定义数据
2.1 创建Dataset的yaml文件
根据官方的coco128.yaml文件，修改训练图像目录的路径、验证图像路径、类数和类列表名称。
2.2 创建标签
使用Labelbox和CVAT工具进行图像标记，将标签导出为darknet格式，每张图像一个txt文件。
2.3 组织目录
将数据集放在YOLOv5项目旁边，包含images和labels两个文件夹。
2.4 选择模型
从models文件夹中选择模型，如yolov5s.yaml，更新其中参数以适应自定义数据集。
2.5 训练
使用以下命令开始训练：
python train.py --img 640 --batch 16 --epochs 5 --data /data/coco128.yaml --cfg /models/yolov5s.yaml --weights ''
3. 可视化
训练过程中，可以通过查看train*.jpg图像来查看训练图像、标签和增强效果。每代训练完成后，可以通过test_batch0_gt.jpg查看标签，通过test_batch0_pred.jpg查看预测结果。训练的损失和性能指标保存在tensorboard和results.txt日志文件中。
4. 补充
解决常见问题，如权重文件过期、CUDA out of memory等。定期更新YOLOv5文件以获取最新功能和修复。
注意事项
- 确保显卡性能足够，否则适当调整batch-size和img-size。
- 定期更新YOLOv5文件以获取最新功能和修复。
通过本教程，您可以从零开始，利用YOLOv5训练自己的数据集，实现目标检测任务。