目录

一、前言

二、学习内容

二、版本与配置声明

三、Yolov5的准备

1.下载Yolov5

2.安装依赖库

3.运行检测

四、训练集

五、制作标签

1.下载labelme

2.安装依赖库

3.labelme操作

 4.json转txt

五、修改配置文件

1.coco128.yaml

2.yolov5配置

 六、训练train

七、识别detect

八、debug

九、百度网盘资源

十、结语

1.集成的资源我放在了文末，包括我自己做成的成品，可以直接train与detect。我发在百度网盘上。

 2.我本人没有学过深度学习，我只是在做视觉项目的时候记录了过程，主要是能够让读者复现，直接使用，而且我不讲原理。如果深入想了解yolov5的原理，可以去看热度比较高的博主做的

3.如果有问题可以在评论区里讨论，或者私信我都行，提问前请先点赞支持一下博主^_^。

二、学习内容

2020年6月25日，Ultralytics发布了YOLOV5 的第一个正式版本，其性能与YOLO V4不相伯仲，同样也是现今最先进的对象检测技术，并在推理速度上是目前最强，yolov5按大小分为四个模型yolov5s、yolov5m、yolov5l、yolov5x。

今天我们来学习一下如何简单使用这个算法

文章特点：一个完整的流程，从头教到尾，不讲冗长的理论，实操，看完本篇文章，训练与识别都是没有问题的，我以王者荣耀作为训练集，可以先看看效果

Yolov5展示视频（b站），可以直接戳这个也可以看下面俩

Yolov5识别效果

原视频

以下是操作的流程图

二、版本与配置声明

官方要求python>=3.7,Pytorch>=1.5

我的：python                            3.7.1

----------------------------------------------------------Yolov5需要

# base --------------------------------------
matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0

# logging --------------------------------------
tensorboard>=2.4.1
# wandb

# plotting --------------------------------------
seaborn>=0.11.0
pandas

# export --------------------------------------
# coremltools>=4.1
# onnx>=1.9.0
# scikit-learn==0.19.2  # for coreml quantization

# extras --------------------------------------
# Cython  # for pycocotools https://github.com/cocodataset/cocoapi/issues/172
# pycocotools>=2.0  # COCO mAP
# albumentations>=1.0.2
thop  # FLOPs computation
 

-----------------------------------------------------------labelme需要

PyQt5                              5.15.4

labelme                            4.5.9

----------------------------------------------------------

联想小新Air 15

三、Yolov5的准备

1.下载Yolov5

https://github.com/ultralytics/yolov5，放在合理的位置，如果这个下的慢的话见文末资源

2.安装依赖库

“版本声明”中的库需要安装的，主要的是这几个

requests

pandas

pyyaml

matplotlib

seaborn

cython

numpy

tensorboard

大部分都能pip install 。重点说两个

（1）对于Pytorch，在Anaconda Prompt里输入

pip install torch==1.7.0+cu101 torchvision==0.8.1+cu101 torchaudio===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html

（2）对于wandb，wandb安装方法，这个好像不是必须的，但我还是下了，版本为0.10.11，刚好能兼容，作用就是对训练分析，如图所示

3.运行检测

下载完yolov5后，点detect，运行

这个是帮你检测能不能正常运行的

若正常：

D:Anacondapython.exe C:/Users/86189/Desktop/yolov5-master/yolov5-master/detect.py
detect: weights=yolov5s.pt, source=data/images, imgsz=640, conf_thres=0.25, iou_thres=0.45, max_det=1000, device=, view_img=False, save_txt=False, save_conf=False, save_crop=False, nosave=False, classes=None, agnostic_nms=False, augment=False, visualize=False, update=False, project=runs/detect, name=exp, exist_ok=False, line_thickness=3, hide_labels=False, hide_conf=False, half=False
YOLOv5  2021-7-17 torch 1.7.0+cu101 CUDA:0 (GeForce MX350, 2048.0MB)

Downloading https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5s.pt to yolov5s.pt...
100%|██████████| 14.1M/14.1M [01:32<00:00, 160kB/s]

Fusing layers... 
Model Summary: 224 layers, 7266973 parameters, 0 gradients
image 1/2 C:Users86189Desktopyolov5-masteryolov5-masterdataimagesbus.jpg: 640x480 4 persons, 1 bus, 1 fire hydrant, Done. (0.055s)
image 2/2 C:Users86189Desktopyolov5-masteryolov5-masterdataimageszidane.jpg: 384x640 2 persons, 2 ties, Done. (0.024s)
Results saved to runsdetectexp
Done. (0.197s)

Process finished with exit code 0

在runs中能发现被处理过的标签，说明成功了！

若程序报错，大概率是因为有的库版本不正确或者还未安装，这个自己调试一下即可，应该没有太大难度 

四、训练集

训练集至少50张起步才有效果

训练集就是你需要train并用于detect的东西，我以王者荣耀作为例子，你可以跟着我来一遍，资源在文末。要做自己的训练集的话再看第五步。跟着我的话可以不用做标签，因为资源中已经做好了

如下图所示创建文件夹，让操作更清晰方便

images就是训练集的图片，labels就是训练集的标签，train的话是用于训练的，test就是用于测试的

五、制作标签

1.下载labelme

https://github.com/wkentaro/labelme，如果下载得慢的话见文末资源

点Download Zip，下载后找到该文件，解压，无需配置环境变量 

2.安装依赖库

在Anaconda Prompt里pip install pyqt5和pip install labelme

3.labelme操作

然后在Anaconda Prompt里输入labelme，打开界面如下

 可以选择打开一个文件或者文件夹，如果是打开文件夹的话就会是下面那样子

右击，点击rectangle，即画矩形框，框选你要识别训练的东西，举王者荣耀的例子

 框选之后输入标签的名字，注意，可以框选多个作为标签。框选完一张图后保存，然后接着下一张图。保存的文件格式是.json

 4.json转txt

由于yolov5只认txt而不认json，因此还要有一个转换的过程

在yolov5-master中创建一个.py文件，代码如下

import json
import os

name2id =  {'hero':0,'sodier':1,'tower':2}#标签名称


def convert(img_size, box):
    dw = 1. / (img_size[0])
    dh = 1. / (img_size[1])
    x = (box[0] + box[2]) / 2.0 - 1
    y = (box[1] + box[3]) / 2.0 - 1
    w = box[2] - box[0]
    h = box[3] - box[1]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)


def decode_json(json_floder_path, json_name):
    txt_name = 'C:\Users\86189\Desktop\' + json_name[0:-5] + '.txt'
    #存放txt的绝对路径
    txt_file = open(txt_name, 'w')

    json_path = os.path.join(json_floder_path, json_name)
    data = json.load(open(json_path, 'r', encoding='gb2312',errors='ignore'))

    img_w = data['imageWidth']
    img_h = data['imageHeight']

    for i in data['shapes']:

        label_name = i['label']
        if (i['shape_type'] == 'rectangle'):
            x1 = int(i['points'][0][0])
            y1 = int(i['points'][0][1])
            x2 = int(i['points'][1][0])
            y2 = int(i['points'][1][1])

            bb = (x1, y1, x2, y2)
            bbox = convert((img_w, img_h), bb)
            txt_file.write(str(name2id[label_name]) + " " + " ".join([str(a) for a in bbox]) + 'n')


if __name__ == "__main__":

    json_floder_path = 'C:\Users\86189\Desktop\哈哈哈\'
    #存放json的文件夹的绝对路径
    json_names = os.listdir(json_floder_path)
    for json_name in json_names:
        decode_json(json_floder_path, json_name)

标注地方是需要修改的，有几个标签名就写几个标签名，而且这是一个文件夹里所有的json一起转化，存放txt的路径改为labels的train中（还记得下面这张图吗）

 转化完后大概会是这样子，如果一张图有多个标签的话，这个数据就会变多

五、修改配置文件

1.coco128.yaml

先复制一份，可以粘贴到my_dates中，改名为mydata（当然你想改啥名字，想放哪里都行，但是要记住路径记住名字，2.也一样）

 注意这个mydata的路径，不要放错了；此外，mydata1_yaml应该是训练后自动生成的，不用管。

mydata.yaml文件需要修改的参数是nc与names。nc是标签名个数，names就是标签的名字，王者荣耀的例子中有10个标签，标签名字都如下。同时要把path注释掉

                         

还需要修改一个路径，注意这里是存放训练集图片的相对路径，斜杠别搞反了，相对路径就是对于yolov5-master的路径，我的如下（这就是我为什么建议创建文件夹的原因）

2.yolov5配置

yolov5有4种配置，不同配置的特性如下，我这里选择yolov5s，速度最快，但是效果最拉胯

先复制一份yolov5s

可以粘贴到my_dates中，改名为mydata_1,需要修改的参数是nc，nc就是标签的数量，王者荣耀的例子是10个，故改成10

 六、训练train

 1.train.py

打开这个文件，需要修改的参数比较多

第一个是with open，参数要加上encoding='utf-8'，不然的话很可能会出现编码报错UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0xad in position 577

以下修改的都是default处 

第二个是484行的配置，用的是yolov5s

第三个是486行和488行的路径

第四个是491行，因为我的电脑拉胯，所以不能按照原配置搞（这就是我为什么在一开始就声明配置的原因）

第五个是495行，原来长宽都是640，不行的话减32直至可以run

第六个是513行

这一大串参数都是根据我的低配联想小新来的，我按照这样是能run的，游戏本的话配置还能再调高些

这个时间很长！我当时试过如果是5张图片，要花5分钟左右，如果是王者荣耀这个例子106张图，大概要1个小时

在runstrainexpweights中能看到有一个best和last，意思是最好的和最近的

七、识别detect

如下图所示是需要修改的参数，也是best和测试图片的相对路径，不要搞错了。结果在runsdetectexp中看

我的测试是个视频（视频也可图片也可），出来的结果就是文章开头放的视频

效果不是很好，但是还是能分辨个大概，原因有两个

一是因为用了最拉的yolov5s，二是训练的文件还不够多

八、debug

我猜测大多数问题为：

1.wandb报错。安装方法的链接已经在文中了。如果要使用wandb的话需要注册那个网站，然后他会给个码给你，复制后你在控制台里粘贴，然后才能用（大概是这样）。

2.文件路径没写对。有点惭愧，文件路径我搞的比较乱（自我吐槽），大家要注意。正因如此我做了个框架图。

3.显卡爆了，那就调低train中我列出来的那几行default

4.有朋友说他在训练时，box obj cls labels的值为0或nan。正常情况下是正常的数（我发了训练的时候的图片），我猜测可能是训练集标签没做好 或者 路径没写对 或者 default没调好

5.建议路径为全英文，不要带中文，否则可能会出现意料之外的错误

九、百度网盘资源

链接：https://pan.baidu.com/s/1YmZOPzcVaA0TuupMDW93SQ 
提取码：vhw1 

十、结语

• 我也是个小白，可能存在很多不足之处，希望有不足之处可以包容，我会改正的(⸝⸝•‧̫•⸝⸝)
• 最后感谢我的hxd，很多都是他教的，我自己尝试过一遍并且成功了，整理排版才的来这篇文章
• 如果遇到出现错误的，自己先多找一找问题，能力在debug中会不断提高的

你们的每个赞都能让我开心好几天✿✿ヽ(°▽°)ノ✿