代码地址：https://github.com/ultralytics/YOLOv5
训练数据定义地址：https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data
YOLOv5训练自定义数据
本指南说明了如何使用YOLOv5 训练自己的自定义数据集。
开始之前
copy此仓库，下载教程数据集，并安装requirements.txt依赖项，包括Python> = 3.7和PyTorch> = 1.5。
git clone https://github.com/ultralytics/yolov5 # clone repo
python3 -c "from yolov5.utils.google_utils import gdrive_download; gdrive_download('1n_oKgR81BJtqk75b00eAjdv03qVCQn2f','coco128.zip')" # download dataset
cd yolov5
pip install -U -r requirements.txt
训练自定义数据
1.创建Dataset.yaml
data / coco128.yaml是一个小型教程数据集，由COCO train2017 中的前128张图像组成。在此示例中，这些相同的128张图像用于训练和验证。coco128.yaml定义1）训练图像目录的路径（或带有训练图像列表的* .txt文件的路径），2）与的验证图像相同的路径，3）类数，4）类列表名称：
＃训练和Val的数据集（图像目录或* .txt与图像路径文件）
训练： ../coco128/images/train2017/
VAL： ../coco128/images/train2017/
类数量
＃类名称
名称： [“人”，“自行车”，“汽车”，“摩托车”，“飞机”，“公共汽车”，“训练”，“卡车”，“船”，“交通灯”，
“消火栓” ”，“停车标志”，“停车计时器”，“长凳”，“鸟”，“猫”，“狗”，“马”，“绵羊”，“牛”，
“大象”，“熊”，“斑马” '，'长颈鹿'，'背包'，'雨伞'，'手提包'，'领带'，'手提箱'，'飞盘'，# parameters
nc: 80 # number of classes <------------------ UPDATE to match your dataset
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
# anchors
anchors:
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32
# yolov5 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Focus, [64, 3]], # 1-P1/2
[-1, 1, Conv, [128, 3, 2]], # 2-P2/4
[-1, 3, Bottleneck, [128]],
[-1, 1, Conv, [256, 3, 2]], # 4-P3/8
[-1, 9, BottleneckCSP, [256, False]],
[-1, 1, Conv, [512, 3, 2]], # 6-P4/16
[-1, 9, BottleneckCSP, [512, False]],
[-1, 1, Conv, [1024, 3, 2]], # 8-P5/32
[-1, 1, SPP, [1024, [5, 9, 13]]],
[-1, 12, BottleneckCSP, [1024, False]], # 10
]
# yolov5 head
head:
[[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 12 (P5/32-large)
[-2, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 1, Conv, [512, 1, 1]],
[-1, 3, BottleneckCSP, [512, False]],
[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 16 (P4/16-medium)
[-2, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 1, Conv, [256, 1, 1]],
[-1, 3, BottleneckCSP, [256, False]],
[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 21 (P3/8-small)
[[], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
2. 创建标签
使用Labelbox或CVAT等工具标记图像后，将标签导出为darknet格式，每个图像一个*.txt文件（如果图像中没有对象，则不需要*.txt文件）。*.txt文件规范如下：
每个对象一行
每一行是类x_center，y_center宽度高度格式。
框坐标必须是标准化的xywh格式（从0到1）。如果方框以像素为单位，请将x_center和宽度除以图像宽度，将y_center和高度除以图像高度。
类号是零索引的（从0开始）。
每个图像的标签文件应该可以通过在其路径名中将/image s/*.jpg替换为/labels/*.txt来定位。图像和标签对的示例如下：
dataset/images/train2017/000000109622.jpg # image
dataset/labels/train2017/000000109622.txt # label
一个有5个人的标签文件示例（所有0类）：
3. 组织目录
根据下面的示例组织您的train和val图像和标签。注意/coco128应该在/yolov5目录旁边。确保coco128/labels文件夹位于coco128/images文件夹旁边。
4. 选择模型
从./models文件夹中选择一个模型。在这里，选择yolov5s.yaml，最小和最快的型号。请参阅的自述表，了解所有型号的完整比较。一旦您选择了一个模型，如果您没有训练COCO，请更新yaml文件中的nc:80参数，以匹配步骤1中数据集中的类数。
# parameters
nc: 80 # number of classes <------------------ UPDATE to match your dataset
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
# anchors
anchors:
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32
# yolov5 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Focus, [64, 3]], # 1-P1/2
[-1, 1, Conv, [128, 3, 2]], # 2-P2/4
[-1, 3, Bottleneck, [128]],
[-1, 1, Conv, [256, 3, 2]], # 4-P3/8
[-1, 9, BottleneckCSP, [256, False]],
[-1, 1, Conv, [512, 3, 2]], # 6-P4/16
[-1, 9, BottleneckCSP, [512, False]],
[-1, 1, Conv, [1024, 3, 2]], # 8-P5/32
[-1, 1, SPP, [1024, [5, 9, 13]]],
[-1, 12, BottleneckCSP, [1024, False]], # 10
]
# yolov5 head
head:
[[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 12 (P5/32-large)
[-2, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 1, Conv, [512, 1, 1]],
[-1, 3, BottleneckCSP, [512, False]],
[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 16 (P4/16-medium)
[-2, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 1, Conv, [256, 1, 1]],
[-1, 3, BottleneckCSP, [256, False]],
[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 21 (P3/8-small)
[[], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
5.训练
运行以下训练命令以训练coco128.yaml5个时期。您可以通过传递从零开始训练yolov5，也可以--cfg yolov5s.yaml --weights ''通过传递匹配的权重文件从预训练的检查点进行训练：--cfg yolov5s.yaml --weights yolov5s.pt。
# Train yolov5s on coco128 for 5 epochs
$ python train.py --img 640 --batch 16 --epochs 5 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights ''
6.可视化
训练开始后，查看train*.jpg图像以查看训练图像，标签和增强效果。请注意，镶嵌数据加载器用于训练（如下所示），这是由Ultralytics开发并在YOLOv4中首次使用的新数据加载概念。如果这些图像中的标签不正确，则说明您的数据标签不正确，应重新访问2.创建标签。
在第一个阶段完成后，查看test_batch0_gt.jpg以查看测试批次0地面真相标签：
并查看test_batch0_pred.jpg以查看测试批次0的预测：
训练损失和绩效指标将保存到Tensorboard以及results.txt日志文件中。训练完成后results.txt绘制results.png。results.txt可以用绘制部分完成的文件from utils.utils import plot_results; plot_results()。在这里，显示从coco128到100个纪元训练的yolov5，从零开始（橙色），从预训练的yolov5s.pt权重（蓝色）开始：
