深度学习-yolo实战项目【分类、目标检测、实例分割】？如何创建自己的数据集？如何对数据进行标注?没有GPU怎么办呢？

这里需要注意 torch

因为是pytorch框架，这里要求torch版本大于1.8.0，要不然不好用；

如果电脑带有GPU，会自动下载带有CUDA的torch，没有GPU会下载CPU版本的torch;

在使用模型进行检测的时候是没有任何区别的，但是CPU版本的torch是训练不了模型的（太慢了！！！！）

（4）测试一下

以检测任务为例子，找到detect.py

运行这个代码，用已经训练好的模型对data/images下的图片进行检测，可以直接在pycharm运行，运行之后检测结果存储在了

点进去看一下：

二、电脑没有GPU训练不了怎么办？【不用本地环境】

（1）创建服务器实例

这里给大家推荐Autodl服务器租用平台，可以先看这篇文章了解一下，讲的很详细AutoDL使用教程：1）创建实例 2）配置环境+上传数据 3）PyCharm2021.3专业版下载安装与远程连接完整步骤 4）实时查看tensorboard曲线情况-CSDN博客

这里是我创建的实例：

打开

打开终端

（2）上传项目

我这里已经上传好了，可以直接把clone下的项目压缩包拖到左侧目录区域，使用命令

unzip yolov5-master.zip 就可以解压项目

（3）创建环境

默认是在base环境中的，但是建议大家再创建一个虚拟环境，因为base环境有时候我们会权限不够【具体步骤和之前在本地的步骤是一样的】

激活你的环境安装好依赖，就可以在yolov5的环境下运行项目了

（4）测试一下

学习一个终端命令： python detect.py --source 11.png 【python + 要运行的py文件 --source +输入图像路径】

运行结果：

根据输出结果知道检测的结果存在了 runs/detect/exps里面，打开

三、分类任务

（1）模型训练

建议大家租用GPU训练比较好【花了钱的东西就是好用的哈哈，我的电脑也有GPU但是训练起来还是不如租来的快】

输入命令：python classify/train.py --model yolov5-cls.pt**--data** cifar10 --epochs 5

--model yolov5-cls.pt：指定模型文件。yolov5-cls.pt 是 YOLOv5 的分类模型权重文件，用于初始化训练。如果你是第一次训练，可能需要下载预训练权重文件。

--data cifar10：指定数据集。cifar10 是一个常用的小型图像分类数据集，包含 10 个类别，每个类别有 6000 张 32×32 的彩色图像。

--epochs 5：指定训练的轮数（epoch）。这里设置为 5 轮，表示模型会在整个数据集上训练 5 次。

输出结果如下：

可以看到5个epoch分别的输出结果，第二列是训练需要的GPU大小【这里只用了1.7G的】，第三列是在训练集上的损失【逐渐减小】，第四列是在测试集上的损失【逐渐减小】，第五列是精度大小【逐渐上升】

这里显示了模型训练的结果保存到了那个文件夹下：

这里显示了模型训练的参数保存到了哪个文件目录下：

best.pt:表示训练的5轮中效果最好的那一轮的参数

last.pt:表示训练5轮中的最后一轮的参数是什么

【注意：best.pt不一定等于last.pt,因为模型可能过拟合现象，但是我们训练的这次是相等的，因为明显5轮训练不够，所有一般我们都直接使用best.pt里面的参数】

（2）模型预测

使用我们刚刚训练好的模型进行对一张图片的预测，

直接使用命令：python classify/predict.py --source 22.jpg 用的是yolo自己训练好的模型参数，而不是我们自己训练的参数。

所以我们应该指定模型参数用的是哪个，找到刚刚运行结果输出的模型参数保存路径：pythonclassify/predict.py--weightsruns/train-cls/exp8/weights/best.pt--source****22.jpg

结果：

为什么没有person?y因为训练的轮数太少了，并且我们的5轮中不一定有人的图像标签，模型还不知道人长什么样子

（3）使用自己创建的数据集做训练

创建数据集

首先你要了解yolov5自己训练使用的数据集目录结构长什么样子，以cifar10为例

具体图像的命名规则：

了解这些，我们来创建一个自己的数据集，以猫狗分类为例子；

①在datasets文件夹下创建一个文件夹，命名为jundogcat：

②在jundogcat文件夹下创建一个train文件夹和一个test文件夹

③在test文件夹下建立两个文件夹： cat和dog【图像标签名称】

④按照命名规则放入具体的图像：

trian和test的一样，通常train里面的图像要比test的要多

这样我们就创建了一个自己的数据集，用于猫狗分类！！！将数据集压缩上传到服务器上解压就可以使用啦

模型训练

接下来使用我们自己创建的数据集对模型进行训练

输入命令python classify/train.py --model yolov5-cls.pt**--data ../datasets/jundogcat** --epochs 5

【这里data的目录前面有两个. 是因为datasets这个文件夹和yolov5-master项目是平级的，所以我们要先退出yolov5-master才可以进入datasets】

记住模型权重路径

模型预测

接下来使用我们刚刚训练好的模型进行预测，使用这个图片

输入命令： pythonclassify/predict.py--weightsruns/train-cls/exp9/weights/best.pt--source****data/images/dogclass.jpg

打开这个路径可以查看预测结果：

0.88 dog 0.12 cat，模型成功预测！！

四、目标检测任务

(1)如何使用/预测？

运行命令：python detect.py --source data/images/bus.jpg

在runs/detect/exp4 查看检测结果：

可以看到红线框出了bus这辆车

代码如何预测边界框的呢？

(x1, y1): 左上角坐标

(x2, y2): 右下角坐标

(2)如何创建用于检测任务的数据集？

yolo目标检测数据集标注-CSDN博客

安装上面的博客教程来就好，将创建的数据集改个名字（jundogcatyolo）拷贝到服务器：

记得把这个data.yaml文件拷贝到 yolo-master项目文件的data 目录下：

仿照这里其他原有的任意一个数据集的yaml修改data.yaml

原来的data.yaml：

参考coco128.yaml:

修改后的yaml文件：

至此就可以使用数据集进行训练啦

(3)模型训练

确保路径在yolo-master下

运行命令：python train.py --weightsyolov5s.pt**--img640--batch**16 --data ./data/data.yaml --epoch5

--weights yolov5s.pt：使用预训练的 YOLOv5 小型模型（yolov5s.pt）作为权重进行训练。

--img 640：将输入图像的尺寸设置为 640x640。【因为我们数据集都是640*640的】

--batch 16：设置每个批次的图像数量为 16。

--data ./data/data.yaml：指定数据集的 .yaml 配置文件，data.yaml 文件中应该定义数据集的路径以及类别。

--epoch 5：训练 5 个周期（epoch）。