欢迎来到机器学习的世界
博客主页：卿云阁
欢迎关注点赞收藏??留言
本文由卿云阁原创！
本阶段属于练气阶段，希望各位仙友顺利完成突破
首发时间：2021年7月8日
??希望可以和大家一起完成进阶之路！
作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！
目录
四种网络结构的介绍
下载代码并配置环境
准备数据集
添加数据配置文件
下载预训练模型
修改train.py的参数???????
开始训练
???????模型测试
文章图片
四种网络结构的介绍 Yolov5官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。
【机器学习和深度学习|YOLOV5实战（pycharm)-以口罩检测为例】Yolov5代码中的四种网络，和之前的Yolov3，Yolov4中的cfg文件不同，都是以yaml的形式来呈现。且四个文件的内容基本上都是一样的，只有最上方的depth_multiple和width_multiple两个参数不同。
文章图片
四种结构就是通过上面的两个参数，来进行控制网络的深度和宽度。其中depth_multiple控制网络的深度，width_multiple控制网络的宽度。
下载代码并配置环境 项目地址：https://github.com/ultralytics/YOLOv5，最近作者又更新了一些代码。
文章图片
matplotlib>=3.2.2numpy>=1.18.5opencv-python>=4.1.2pillowPyYAML>=5.3scipy>=1.4.1tensorboard>=2.2torch>=1.6.0torchvision>=0.7.0tqdm>=4.41.0
由于我的电脑上没有GPU所以我在其它的平台上租了一个，可以参考这篇文章。
GPU的租用Pycharm连接远程GPU服务器跑深度学习_卿云阁的博客-CSDN博客
准备数据集 采用Labelme标注的数据格式，这里的数据集是我提前准备好的，需要的小伙伴可以下载哦。本文使用的是口罩的数据集，新建一个mydata文件夹，把数据放进去。
链接：https://pan.baidu.com/s/1wrsvXv5-od8ZtlvJCj9zgQ?pwd=0hti
提取码：0hti
文章图片
数据结构如下图：
文章图片
images文件夹存放train和val的图片，labels里面存放train和val的物体数据，里面的每个txt文件和images里面的图片是一一对应的。
txt文件的内容如下：
文章图片
格式：物体类别 x y w h
坐标是不是真实的坐标，是将坐标除以宽高后的计算出来的，是相对于宽和高的比例。
添加数据配置文件 在yolov5/data文件夹下新建data.yaml
内容如下所示：(这里是我用的服务器上的地址）
train: /tmp/pycharm_project_558/dataset/MaskDataSet/train/images val: /tmp/pycharm_project_558/dataset/MaskDataSet/valid/imagesnc: 2 names: ['mask', 'no-mask']
文章图片
其中：
下载预训练模型 现在，我们准备好了数据，接下来，下载好预训练模型，即可开始训练了！
- path：数据集的根目录
- train：训练集与path的相对路径
- val：验证集与path的相对路径
- nc：类别数量，因为这个数据集只有一个类别（fire），nc即为1。
- names：类别名字。
预训练模型地址：https://github.com/ultralytics/yolov5/releases
选择你所需要的模型下载即可，这里我选择yolov5m.pt下载。
文章图片
模型下载完成后，将xx.pt复制在yolov5文件夹下。如下图所示：
文章图片
修改train.py的参数???????
fg参数是YoloV5 模型的配置文件，模型的文件存放在models文件夹下面，按照需求填写不同的文件。weights参数是YoloV5的预训练模型，和cfg对应，例：cfg配置的是yolov5s.yaml，weights就要配置yolov5s.ptdata是配置数据集的配置文件，我们选用的是voc.yaml，所以配置data/voc.yaml修改上面三个参数就可以开始训练了，其他的参数根据自己的需求修改。修改后的参数配置如下：parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')parser.add_argument('--cfg', type=str, default='yolov5s.yaml', help='model.yaml path')parser.add_argument('--data', type=str, default='data/voc.yaml', help='data.yaml path')
开始训练 打开命令行，点击train -> Edit Configurations：
文章图片
在Parameters，输入对应参数命令
--weights yolov5s.pt --data data/data.yaml --workers 1 --batch-size 8
文章图片
至此，模型则开始训练
为了方便起见，这里我只训练两次，我们可以看到效果不是很好。
文章图片
Box：YOLO V5使用 GIOU Loss作为bounding box的损失，Box推测为GIoU损失函数均值，越小方框越准；
Objectness：推测为目标检测loss均值，越小目标检测越准；
Classification：推测为分类loss均值，越小分类越准；
Precision：精度（找对的正类/所有找到的正类）；
Recall：真实为positive的准确率，即正样本有多少被找出来了（召回了多少）。
Recall从真实结果角度出发，描述了测试集中的真实正例有多少被二分类器挑选了出来，即真实的正例有多少被该二分类器召回。
val BOX:验证集bounding box损失
val Objectness：验证集目标检测loss均值
val classification：验证集分类loss均值
mAP：是用Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值，@0.5:0.95表示阈值取0.5:0.05:0.95后取均值。
mAP@.5:.95（mAP@[.5:.95]）
表示在不同IoU阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP。
mAP@.5：表示阈值大于0.5的平均mAP
一般训练结果主要观察精度和召回率波动情况（波动不是很大则训练效果较好）
然后观察mAP@0.5 & mAP@0.5:0.95 评价训练结果。
训练之后，都会在runs-train文件夹下出现一下文件，如下图：
这里我是租的服务器，所以rus文件夹只出现在服务器上，我们需要把它保存在本地。
客户端 - FileZilla中文网这个工具非常好用强烈推荐
文章图片
文章图片
文章图片
???????模型测试 模型训练完成后，将runs/exp/weights下的模型（best.pt）复制在yolov5文件夹下。
开始测试
python detect.py --weights best.pt --source ../datasets/data/images/val
- weights:是你训练好的模型的路径，并且weights支持以下几种格式。
- --source:是你测试的数据路径
- 测试结果保存在runs/detect下（如果是在服务器上，也是需要下载到本地的）
文章图片
文章图片
但是在服务器上好像不可以通过电脑的摄像头进行测试。
推荐阅读
- 人工智能|人工智能-深度学习-手写数字识别
- 深度学习|深度学习（手写数字识别）
- python--深度学习|深度学习入门——03 MNIST手写数字图像集识别实验
- 深度学习|深度学习day04-MNIST手写数字识别与模型使用
- 数据介绍|Landsat系列卫星介绍
- 5 分钟，教你用 Docker 部署一个 Python 应用！
- 教你用 Python 快速批量转换 HEIC 文件
- 机器学习|吃瓜笔记《机器学习》周志华——第五章 神经网络
- 人工智能|特斯拉新四化研究（电动化和自动化上一路领先，下一步是共享化）