快速搭建yolo测试环境，超简明的神经网络训练说明书

1 快速搭建yolo测试环境

相对于更早的版本，v5是比较舒服的，直接把仓库拉下来就行，不用单独搞测试脚本和权重文件

$ git clone https://github.com/ultralytics/yolov5.git

然后就是切到目录下安装依赖的第三方库：

$ cd yolov5
$ pip install -r requirements.txt

当然可能 clone 不顺畅， 就去github 上下载压缩包然后解压到这儿也是一样的，仓库链接是这个：
https://github.com/ultralytics/yolov5

然后就可以找个图片测试检测了：

$ python detect.py --source path_to_your_image.jpg

这里我找了个猪头，放在上一级目录中的：

运行命令：

$  python.exe .\detect.py --source ..\pig.png 

输出如下：

虽然检测结果不咋地，橙色标注的是输出的结果，检测到鸟、狗和牛，就是没检测到猪，无语(ˉ▽ˉ；)…
如上图红色标注的信息所显示的那样，输出带标记的图片在yolov5-master/runs/exp2目录下。
下图更直观哈，可以参考下图去找输出的图片：

换了个车的图片，这个结果比较准确，检测到了车和驾驶室里的人，我一开始都没看到这个人

2 自行训练

三步走，准备数据集、配置 data.yaml 文件、运行训练命令

---

首先建立数据集，将数据集图片放到 train/ 和 val/ 子文件夹中，分别用于训练和验证，文件目录如下：

datasets/
└── dataset/├── images/│   ├── train/│   └── val/└── labels/├── train/└── val/

images/train目录下就是训练集的图片，如下图所示。这里简单找了一些猫狗的图片，用于说明训练步骤，实际上这几张图片肯定是不够的。

images/val/目录下也是图片，只不过是测试集的，要和训练集的不一样。

然后使用标注工具（如 LabelImg 或 CVAT）对图片中的目标进行标注。
LabelImg ：https://github.com/HumanSignal/labelImg
CVAT：https://github.com/cvat-ai/cvat

注意标注文件格式为 YOLOv5 格式，以 .txt 格式存储，每个图片对应一个 .txt 文件，文件名与图片名相同。每个 .txt 文件的内容格式如下：

<class_id> <x_center> <y_center> <width> <height>

class_id：类别编号（从 0 开始）。
x_center 和 y_center：目标框的中心坐标，范围为 [0, 1]
width 和 height：目标框的宽度和高度，范围为 [0, 1]

比如这样：

然后在 datasets/your_dataset/ 文件夹中创建一个 data.yaml 文件，内容如下：

yaml
train: datasets/your_dataset/images/train  # 训练集图片路径
val: datasets/your_dataset/images/val      # 验证集图片路径nc: 3                                      # 类别数量（根据你的数据集修改）
names: ['cat', 'dog', 'person']            # 类别名称（根据你的数据集修改）

然后用下面这个命令开始训练模型，

python train.py --img 640 --batch 16 --epochs 100 --data datasets/your_dataset/data.yaml --weights yolov5s.pt

训练过程中，终端会显示每个 epoch 的损失值、精度等信息。

如上图提示信息说明的那样，训练完成后，模型权重会保存在 runs/train/exp/weights/ 文件夹下，下图可见有两个.pt文件，best.pt就是我们刚才指定的权重文件名，是我们训练的结果。

说明一下参数的含义：

--img 640：输入图片的尺寸（默认 640x640）。
--batch 16：批量大小（根据你的 GPU 显存调整）。
--epochs 100：训练的轮数。
--data datasets/your_dataset/data.yaml：数据集配置文件路径。
--weights yolov5s.pt：预训练权重文件（yolov5s.pt 是 YOLOv5 的小模型，其他可选模型包括 yolov5m.pt、yolov5l.pt 和 yolov5x.pt）。

训练完了就可以评估、测试模型了，

python val.py --data datasets/your_dataset/data.yaml --weights runs/train/exp/weights/best.pt --img 640

这个命令可以用测试集评估模型，–weights用于指定权重参数，就用刚才训练得到的那个就行。

3 使用

和一开始一样，指定输入就行。当然还要指定用我们训练得到的那个权重文件，当然也可以用其它的权重文件，只要和具体的任务目标相契合就行。检测没训练过的目标那肯定是不行的，新增检测类型是需要重新训练的。

python detect.py --source test_image.jpg --weights runs/train/exp/weights/best.pt --img 640