Skip to main content

用 yolov5 进行开源数据集的训练

yolov5环境配置​

下载开源数据集​

这里推荐一个网站，上面托管了很多开源的数据集

这里我选择下载 Uno Cards Dataset 的 v1 版本

点击 Download 选项后，将 Format 勾选为 YOLO v5 PyTorch 后下载

😃

非常感谢开源这些数据集的贡献者们，有机会我也希望做这样很酷的事

下载完成并解压后将文件夹重命名为 Uno-Cards-Datasets ，目录如下

Uno-Cards-Datasets/
├── train
│   ├── images
│   └── labels
├── test
│   ├── images
│   └── labels
├── valid
│   ├── images
│   └── labels
├── data.yaml
└── ···
  • train/ 目录中存放用来做训练集的图片和对应的 label 文件
  • test/ 目录中存放用来做测试集的图片和对应的 label 文件
  • valid/ 目录中存放用来做验证集的图片和对应的 label 文件
  • data.yaml 文件用来整理数据集中 label 的类别

配置训练参数​

将 Uno-Cards-Datasets/ 整个目录复制到 yolov5-master 的根目录下

修改 Uno-Cards-Datasets/data.yaml 文件中的 train 和 val 路径

data.yaml
train: ../Uno-Cards-Datasets/train/images
val: ../Uno-Cards-Datasets/valid/images

nc: 15
names: ['0', '1', '10', '11', '12', '13', '14', '2', '3', '4', '5', '6', '7', '8', '9']

修改 models/yolov5s.yaml 文件中的 nc 改为和 Uno-Cards-Datasets/data.yaml 中的 nc 一样的值

yolov5s.yaml
# parameters
nc: 15  # number of classes
    ···

开始训练​

在 yolov5-master/目录下打开终端，激活对应的虚拟环境

train yolov5s
source activate yolov5
python train.py --img 640 --batch 16 --epochs 300 --data Uno-Cards-Datasets/data.yaml --cfg models/yolov5s.yaml --weights ''

开始训练，GPU占用已经快裂开了

接下来就是漫长的等待······

我的GPU训练速度是比较慢的，大概花了30多个小时完成这个数据集的训练

训练完成之后在 runs/train/exp/weights/ 目录下输出了 best.pt 和 last.pt 两个权重文件

接下来我们用 best.pt 来测试一下训练的效果

python detect.py --source Uno-Cards-Datasets/test/images/000090623_jpg.rf.f7accf08c83af2398c4837f2f731707a.jpg --weights runs/train/exp/weights/best.pt --conf 0.25
  • --source 参数后面修改为输入的测试图片或目录
  • --weights 参数后面修改为 runs/train/exp/weights/best.pt

之后就会在 runs/detect/exp 目录中生成训练好的结果，具体路径以终端输出的为准

来看看测试的结果

图中的三张 UNO 卡片都成功的被检测出来，并且有较高的置信度

然后我们尝试着从相机获取图像并且动态的检测 UNO 卡片

python detect.py --source 0 --weights runs/train/exp/weights/best.pt
  • --source 0 参数表示打开本地摄像头

来看看效果

参考​