发布时间:2023-12-06 16:30
前提yolov5.6部署安装成功。
硬件如下:
Microsoft Windows 10
CPU Intel(R) Core(TM) i7-10870H CPU @ 2.20GHz(2208 MHz)
内存 16.00 GB (3200 MHz)
显卡 NVIDIA GeForce RTX 3060 Laptop GPU
首先使用LabelImg制作标签。
LabelImg项目地址github:https://github.com/tzutalin/labelImg
git clone https://github.com/tzutalin/labelImg/tree/v1.8.1
安装步骤官网已经写的比较清楚:
Windows
Install Python, PyQt5 and install lxml.
Open cmd and go to the labelImg directory
#缺少resources.qrc文件 #执行下面命令生成resources.qrc文件 #在labelimg-master目录下执行 pyrcc4 -o libs/resources.py resources.qrc #如果是PyQt5的话,执行 pyrcc5 -o libs/resources.py resources.qrc #运行LabelImg python labelImg.py python labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE]
data下修改predefined_classes为自己的分类
命令行执行python labelImg.py打开程序
LabelImg快捷键
W:新建标注
A:上一张
D:下一张
使用快捷键就可以快速标注了:
本次使用yolov5-6.1
github:https://github.com/ultralytics/yolov5/tree/v6.1
在yolov5-6.1目录下按下面结构新建路径。
将上一步LabelImg制作的图像和标签,按训练集:验证集3:1划分,分别放在相应的位置
CustomData
CustomData.yaml
images #图片
train #训练集
000001.jpg
000002.jpg
000003.jpg
val #验证集
000100.jpg
000101.jpg
000102.jpg
labels #标签
train #训练集
000001.txt
000002.txt
000003.txt
val #验证集
000100.txt
000101.txt
000102.txt
文件CustomData.yaml内容如下
train:
- CustomData/images/train/ # 训练集
val:
- CustomData/images/val/ # 验证集
# number of classes,类别数
nc: 2
# class names,类别名
names: [ \"apple\",\"person\"]
这里选择yolov5n进行训练。
修改文件data/yolov5n.yaml,改为自己的类别数。
修改文件train.py:
然后就可以开始训练了,直接运行train.py开始训练
如提示错误:ImportError: DLL load failed: 页面文件太小,无法完成操作。
修改文件train.py,相应减少下面几个参数的值:
训练结果保存在路径yolov5-6.1\\runs\\train\\exp\\weights下
在检测时,detect.py 加上--save-txt 参数可以保存标签文件(在yolov5-6.1\\runs\\detect\\labels下),在此标签的基础上再进行标注,减少标注的工作量。
深度学习—— Spatial Transformer Layer
2022第十三届蓝桥杯省赛B组Python 试题 D: 数位排序
金山表单连接企微群机器人:快速解决商家无法实时收到团购订单提醒的问题
Redis 为何使用近似 LRU 算法淘汰数据,而不是真实 LRU?
Hive-异常处理Hive Schema version 2.3.0 does not match metastore's schema version 1.2.0 Metastore is not
docker出现GPG error: At least one invalid signature was encountered 相关问题及解决方法