yolov5训练
一、准备工作
1.配置环境
https://github.com/ultralytics/yolov5

首先进入u大佬的GitHub主页，把项目下载下来。

然后进入目录打开终端，pip install -U -r requirements.txt即可安装好yolov5所需环境，如果运行detect.py出现问题，依据报错自行修改。（百度有很多装torch的教程和视频，多查查就能装好）

2.数据集准备

和yolov3的数据集准备一样，本文参考这个链接https://blog.csdn.net/public669/article/details/98020800

按照上面文章准备好数据集以后，data目录应该是这个样子的：

数据装载（引用此处的数据集https://github.com/cosmicad/dataset）

将数据集Annotations、JPEGImages复制到YOLOV5工程目录下的data文件下；同时新建两个文件夹，分别命名为ImageSets和labels，最后我们将JPEGImages文件夹复制粘贴一下，并将文件夹重命名为images

构建代码

在工程的根目录下新建一个文件makeTxt.py，代码如下：

import os
import random
trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')
for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

接着再新建另一个文件voc_label.py，代码如下：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets = ['train', 'test','val']
classes = ["RBC"]
def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)
def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id))
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
print(wd)
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write('data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

分别运行makeTxt.py和voc_label.py
运行makeTxt.py后ImagesSets后面会出现四个文件，如下图：
主要存储图片名称

运行voc_label.py后labels后，如下图所示：
这里得到的不光是文件名，还有文件的具体路径

修改coco.yaml（位于data文件夹中）

3.网络参数修改

这个不同于yolov3使用的darknet的cfg文件，作者使用了yaml文件(位于models->yolov5s.yaml)，要修改的也非常简单。

修改nc为你自己数据集的类别数即可。

4.修改train.py中的

二、开始训练
1.读取文件参数修改
在train.py里的最后把–cfg、–data、–device、–name、–batch-size改为准备工作中的符合自己数据集的文件或参数就ok啦！

2.训练运行train.py
运行即可。

3.输出
这里作者用了tensorboard，训练结果可视化更加方便。

4.检测
运行detect.py即可。