【Yolov5】1.认真总结6000字Yolov5保姆级教程[通俗易懂]

大家好，又见面了，我是你们的朋友全栈君。

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

一、前言

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

https://player.bilibili.com/player.html?aid=504578297&page=1

https://player.bilibili.com/player.html?aid=504578297&page=2

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：

代码语言：javascript复制

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

代码语言：javascript复制

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）