跳至内容

列车自定义数据

本指南介绍了如何使用 📚 训练自己的自定义数据集。 YOLOv5🚀.

开始之前

克隆 repo 并将requirements.txt安装在 Python>=3.8.0环境中安装 requirements txt，包括 PyTorch>=1.8.模型和数据集会自动从最新的YOLOv5 版本下载。

git clone https://github.com/ultralytics/yolov5  # clone
cd yolov5
pip install -r requirements.txt  # install

自定义数据训练

Ultralytics 主动学习

创建一个自定义模型来检测物体是一个迭代的过程，需要收集和整理图像、标注感兴趣的物体、训练模型、将其部署到野外进行预测，然后使用部署的模型收集边缘案例示例来重复和改进。

许可

Ultralytics 提供两种许可选项：

更多详情，请参阅Ultralytics Licensing。

YOLOv5 模型必须在标注数据上进行训练，才能学习数据中的对象类别。在开始训练之前，有两种方法可以创建数据集：

选项 1：创建一个 Roboflow数据集

1.1 收集图像

您的模型将以身作则。最重要的是，要在与其在野外看到的图像相似的图像上进行训练。理想情况下，您将从相同的配置（相机、角度、照明等）中收集各种图像，因为您最终将部署您的项目。

如果无法做到这一点，您可以从公共数据集开始训练初始模型，然后在推理过程中从野生图像中采样，反复改进数据集和模型。

1.2 创建标签

收集到图像后，您需要为感兴趣的对象添加注释，以便为模型学习创建基本事实。

YOLOv5 精确度

Roboflow Annotate是一款基于网络的简单工具，用于与团队一起管理和标记图像，并以YOLOv5 的注释格式导出。

1.3 准备数据集YOLOv5

无论您是否在图片上标注Roboflow，您都可以用它将数据集转换为YOLO 格式，创建YOLOv5 YAML 配置文件，并将其托管以导入训练脚本。

创建免费Roboflow 账户 并将数据集上传到 Public 工作区，标注所有未标注的图像，然后在 YOLOv5 Pytorch 格式。

注意：YOLOv5 会在训练过程中进行在线增强，因此我们不建议在使用YOLOv5 进行训练时应用Roboflow 中的任何增强步骤。但我们建议应用以下预处理步骤：

建议的预处理步骤

  • 自动调整方向- 从图像中删除 EXIF 方向。
  • 调整大小（拉伸）--调整为模型的正方形输入尺寸（640x640 是YOLOv5 默认值）。

生成一个版本会给你的数据集提供一个快照，这样你就可以随时回过头来比较你未来的模型训练运行，即使你以后添加了更多图像或更改了它的配置。

以YOLOv5 格式导出

出口 YOLOv5 Pytorch 格式，然后将该代码段复制到训练脚本或笔记本中以下载数据集。

Roboflow 数据集下载片段

选项 2：创建手动数据集

2.1 创建 dataset.yaml

COCO128 是一个小型教程数据集示例，它由 "图像 "中的前 128 幅图像组成。 COCO train2017.这 128 幅图像同样用于训练和验证，以验证我们的训练管道是否能够实现过度拟合。 data/coco128.yaml下图所示的数据集配置文件定义了 1) 数据集根目录 path 和相对路径的 train / val / test 图像目录（或 *.txt 带图像路径的文件）和 2）一个类 names 字典

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco128  # dataset root dir
train: images/train2017  # train images (relative to 'path') 128 images
val: images/train2017  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes (80 COCO classes)
names:
  0: person
  1: bicycle
  2: car
  # ...
  77: teddy bear
  78: hair drier
  79: toothbrush

2.2 创建标签

使用注释工具标注图像后，将标签导出到 YOLO 格式有一个 *.txt 文件（如果图像中没有对象，则无 *.txt 文件是必需的）。文件 *.txt 文件规格为

  • 每个对象一行
  • 每一行是 class x_center y_center width height 格式。
  • 方框坐标必须在 归一化 xywh 格式（从 0 到 1）。如果您的方框以像素为单位，则除以 x_center 和 width 图像宽度，以及 y_center 和 height 按图像高度计算。
  • 类号以 0 为索引（从 0 开始）。

Roboflow 注释

上述图像对应的标签文件包含 2 个人（类别 0）和平局（班级 27):

Roboflow 数据集预处理

2.3 整理目录

根据下面的示例整理列车和阀的图像和标签。YOLOv5 假定 /coco128 在 /datasets 通讯录 邻接 的 /yolov5 目录。 YOLOv5 为每个图像自动定位标签 的最后一个实例 /images/ 在每个图像路径中使用 /labels/.例如

../datasets/coco128/images/im0.jpg  # image
../datasets/coco128/labels/im0.txt  # label

YOLOv5 数据集结构

3.选择型号

选择一个预训练模型开始训练。这里我们选择YOLOv5s，它是目前第二小、速度最快的模型。有关所有模型的全面比较，请参见我们的 README表格。

YOLOv5 模型

4.火车

在 COCO128 上训练 YOLOv5s 模型，方法是指定数据集、批量大小、图像大小以及预训练的 --weights yolov5s.pt (推荐），或随机初始化 --weights '' --cfg yolov5s.yaml (不推荐）。预训练的权重会自动从 最新发布YOLOv5.

python train.py --img 640 --epochs 3 --data coco128.yaml --weights yolov5s.pt

提示

💡 添加 --cache ram 或 --cache disk 以加快训练速度（需要大量内存/磁盘资源）。

提示

💡 始终从本地数据集进行训练。挂载或网络驱动器（如 Google Drive）会非常慢。

所有训练结果都会保存到 runs/train/ 运行目录递增，即 runs/train/exp2, runs/train/exp3 等等。更多详情，请参阅我们教程笔记本的培训部分。 在 Colab 中打开 在 Kaggle 中打开

5.可视化

Comet 日志和可视化 🌟 新

Comet现在已与YOLOv5 完全集成。您可以实时跟踪和可视化模型指标，保存超参数、数据集和模型检查点，并通过Comet 自定义面板可视化模型预测结果！Comet 确保您不会丢失工作轨迹，并使各种规模的团队都能轻松共享结果和开展协作！

入门很简单

pip install comet_ml  # 1. install
export COMET_API_KEY=<Your API Key>  # 2. paste API key
python train.py --img 640 --epochs 3 --data coco128.yaml --weights yolov5s.pt  # 3. train

要进一步了解该集成支持的所有Comet 功能，请查看 Comet 教程.如果您想了解有关Comet 的更多信息，请访问我们的 文献资料.开始试用Comet Colab 笔记本吧： 在 Colab 中打开

YOLO 用户界面

ClearML 日志和自动化 🌟 新

ClearML完全集成到YOLOv5 中，用于跟踪实验、管理数据集版本，甚至远程执行训练运行。要启用ClearML ：

  • pip install clearml
  • 运行 clearml-init 连接ClearML 服务器

您将获得实验管理器的所有预期功能：实时更新、模型上传、实验比较等，但ClearML 还会跟踪未提交的更改和已安装的软件包。得益于此，ClearML 任务（也就是我们所说的实验）也可以在不同机器上重现！只需增加一行，我们就能在队列中安排YOLOv5 训练任务，由任意数量的ClearML 代理（工作者）执行。

您可以使用ClearML Data 对数据集进行版本控制，然后只需使用其唯一 ID 就能将其传递到YOLOv5 。这将帮助您跟踪数据，而不会增加额外的麻烦。详情请浏览ClearML Tutorial！

ClearML 实验管理用户界面

本地记录

训练结果会自动记录在 张力板 和 CSV 记录仪 runs/train，每次新的训练都会创建一个新的实验目录，如 runs/train/exp2, runs/train/exp3等等。

该目录包含训练和估值统计数据、镶嵌图、标签、预测和增强镶嵌图，以及精度-召回（PR）曲线和混淆矩阵等指标和图表。

本地测井结果

结果文件 results.csv 在每个纪元后更新，然后绘制为 results.png (下图）。您还可以绘制任何 results.csv 文件：

from utils.plots import plot_results

plot_results('path/to/results.csv')  # plot 'results.csv' as 'results.png'

结果.png

下一步工作

一旦模型训练完成，就可以使用最佳检查点 best.pt 到：

  • 运行 CLI或 Python对新图像和视频进行推理
  • 验证训练、评估和测试分段的准确性
  • 导出为TensorFlow 、Keras、ONNX 、TFlite、TF.js、CoreML 和TensorRT 格式
  • 改进超参数以提高性能
  • 通过采样真实世界的图像并将其添加到数据集中来改进模型

支持的环境

Ultralytics 提供了一系列随时可用的环境，每个环境都预装了CUDA、CUDNN、 Python和 PyTorch等基本依赖项，以启动您的项目。

项目现状

YOLOv5 CI

此徽章表示YOLOv5 GitHub Actions 的所有持续集成（CI）测试均已成功通过。这些 CI 测试严格检查了YOLOv5 在训练、验证、推理、导出和基准等多个关键方面的功能和性能。它们确保在 macOS、Windows 和 Ubuntu 上运行的一致性和可靠性，每 24 小时和每次新提交时都会进行一次测试。



创建于 2023-11-12，更新于 2024-01-21
作者:glenn-jocher(11)

评论