一.下载yolov5
1.下载地址(YOLOv5论文的源代码地址为)：GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite
下载方式1：
(1)如果能够熟练运用git的话可以打开终端windows+R输入cmd
(2)进入想要保存的目录（最好是英文目录）例如 cdE:\A f pan\yolov5
(3)输入git clone/ultralytics/yolov5.git
下载方式2：
（1）点击code
（2）点击download zip ,选择你要保存的地址就可以了（最好使用英文路径，创建一个单独项目）
2.配置环境（我使用的是python3.6版本）
（1）下载打开后解压，这个样子
(2) 新建一个python虚拟环境，打开终端：windows+R 输入cmd（我用的anaconda），
运行conda create -nyolovpython=3.6yolov:虚拟环境名字 python=3.6：版本
（会有一个确认操作，输入y就可以了）创建成功后就是这样：
激活虚拟环境：activate +虚拟环境名字（yolov）
进入这个项目例如：cdE:\yolov5\yolov5-master
（2）打开requirements.txt,可以看到这个里面包含了yolov5需要安装的包，运行
pip install -r requirements.txt （要进入这个目录才运行，不然会找不到文件），如果哪些包不行可以尝试一下单独安装。
（3）检测yolov是否能够正常运行：
1.在正确项目路径，正确虚拟环境下，终端输入jupyter notebook（这个是anaconda的一个工具），在打开notebook的时候不要关闭终端，不然后面都无法操作
会在你的浏览器打开这个项目，
打开tutorial.ipynb文件
运行代码时，我们之前已经下载好了相关要求，直接把这3行注释了的，运行这块代码shift+enter,或者直接上面找运行符号
在运行第二段的时候会报错，没有找到文件，差一个yolov5s.pt文件（如果没有报错的话那是因为yolov5直接把这个文件给你下载了，会直接保存在项目中）
进入这个网址/ultralytics/yolov5/releases
下拉找到yolov5s.pt，在yolov项目下创建weigts文件夹weights,把这个文件保存到weights下
在weights加上路径，
!python detect.py --weights ./weights/yolov5s.pt --img 640 --conf 0.25 --source data/images
display.Image(filename='runs/detect/exp/zidane.jpg', width=600)
现在可以发现，yolov已经可以正常运行了：
二.网上爬取训练图片
我使用的pycharm，打开这个项目，创建一个py文件，例如：puqu.py 用来爬取百度图片
因为使用百度爬取的图片会比较杂，所以在爬取之前最好先在百度试一下关键词，最好加一些限制词，这样效果会好一点
代码如下：
import re # 正则表达式，解析网页import requests # 请求网页import tracebackimport osdef dowmloadPic(html, keyword, startNum):headers = {'user-agent': 'Mozilla/5.0'} # 浏览器伪装，因为有的网站会反爬虫，通过该headers可以伪装成浏览器访问，否则user-agent中的代理信息为pythonpic_url = re.findall('"objURL":"(.*?)",', html, re.S) # 找到符合正则规则的目标网站num = len(pic_url)i = startNumsubroot = root + '/' + wordtxtpath = subroot + '/download_detail.txt'print('找到关键词:' + keyword + '的图片，现在开始下载图片...')for each in pic_url:a = '第' + str(i + 1) + '张图片，图片地址:' + str(each) + '\n'b = '正在下载' + aprint(b)path = subroot + '/' + str(i + 1)try:if not os.path.exists(subroot):os.mkdir(subroot)if not os.path.exists(path):pic = requests.get(each, headers=headers, timeout=10)with open(path + '.jpg', 'wb') as f:f.write(pic.content)f.close()with open(txtpath, 'a') as f:f.write(a)f.close()except:traceback.print_exc()print('【错误】当前图片无法下载')continuei += 1return iif __name__ == '__main__':headers = {'user-agent': 'Mozilla/5.0'}words = ['人物高清图片']# words为一个列表，可以自动保存多个关键字的图片root = './download_images_of_'for word in words:root = root + word + '&'if not os.path.exists(root):os.mkdir(root)for word in words:lastNum = 0# word = input("Input key word: ")if word.strip() == "exit":breakpageId = 0# 此处的参数为需爬取的页数，设置为30页for i in range(30):url = '/search/flip?tn=baiduimage&ie=utf-8&word=' + word + "&pn=" + str(pageId) + "&gsm=?&ct=&ic=0&lm=-1&width=0&height=0"pageId += 20 # 好像没啥影响html = requests.get(url, headers=headers)# print(html.text) #打印网页源码，相当于在网页中右键查看源码内容lastNum = dowmloadPic(html.text, word, lastNum, ) # 本条语句执行一次获取60张图
爬取的图片会保存到一个文件夹里面，爬取的都是百度图片（想爬取其他类型的改一下46行的关键词就可以了）
三.对图片进行处理
就算加了限制词一样会有一些不符合要求的图片，最好自己手动检查一下，删除不需要的图片
然后可以修改一下图片名字，便于后面操作，代码如下：
import osimport re"""批量修改文件夹的图片名"""def ReFileName(dirPath,pattern):""":param dirPath: 文件夹路径:pattern:正则:return:"""# 对目录下的文件进行遍历i = 1for file in os.listdir(dirPath):# 判断是否是文件if os.path.isfile(os.path.join(dirPath, file)) == True:#c= os.path.basename(file)newName = re.sub(pattern, str(i)+'.jpg', file)newFilename = file.replace(file, newName)# 重命名os.rename(os.path.join(dirPath, file), os.path.join(dirPath, newFilename))i+=1print("图片名已全部修改成功")if __name__ == '__main__':dirPath = r"E:\A f pan\yolov5\images"pattern = pile(r'.*')ReFileName(dirPath,pattern)
在最后main函数修改你放图片的位置,把修改后的图片放在项目data/images images文件夹下，便于图片标注
四.labelimg工具进行标注
在你的环境下安装labelimg 打开终端windows+r 输入cmd,激活你的环境 activate +你的虚拟环境名，使用 pip install labelimg 命令直接安装，安装好后直接输入labelimg,打开这个工具
在yolov/data文件夹下创建dataset、labels两个文件夹。其中，datasets主要用来存放打好标签后的数据集，labels主要用来存放数据标签。
我们需要对labelimg进行一些设置：
(1)首先选择自动保存模型（1.点击view 2.勾选auto save mode），
auto save mode :自动保存模型（这个要勾选，不然要一直保存）
single class mode: 单一标签标注（如果你训练只有一个标签，勾选这个很方便）
(2)然后再选择改变保存路径(1.点击change save dir 2.选择刚刚创建的dataset文件)
(3）打开需要进行数据标注的文件夹。（1点击open dir 2.选择需要标注图片的文件夹images）
（4）数据标注（比较枯燥），有一些快捷键可以加快标注速度
Ctrl + d 复制当前标签和矩形框；Ctrl + Shift + d 删除当前图片；Space 将当前图像标记为已验证；w 开始创建矩形框；d 切换到下一张图；a 切换到上一张图；del 删除选中的标注矩形框；
1.点击creat rectbox,绘制标注框
2.框选要标注的部分
3.输入标签名
4.点击next image
标注好的图片都在dataset文件里
五.训练数据集
接下来需要对标注好的数据进行预处理操作，在工程目录文件下新建split.py和xml_to_txt.py两个python文件：
split代码如下：
import osimport randomimport argparseparser = argparse.ArgumentParser()parser.add_argument('--xml_path', default='data/dataset', type=str, help='input xml label path')parser.add_argument('--txt_path', default='data/labels', type=str, help='output txt label path')opt = parser.parse_args()trainval_percent = 1.0train_percent = 0.8xmlfilepath = opt.xml_pathtxtsavepath = opt.txt_pathtotal_xml = os.listdir(xmlfilepath)if not os.path.exists(txtsavepath):os.makedirs(txtsavepath)num = len(total_xml)list_index = range(num)tv = int(num * trainval_percent)tr = int(tv * train_percent)trainval = random.sample(list_index, tv)train = random.sample(trainval, tr)file_trainval = open(txtsavepath + '/trainval.txt', 'w')file_test = open(txtsavepath + '/test.txt', 'w')file_train = open(txtsavepath + '/train.txt', 'w')file_val = open(txtsavepath + '/val.txt', 'w')for i in list_index:name = total_xml[i][:-4] + '\n'if i in trainval:file_trainval.write(name)if i in train:file_train.write(name)else:file_val.write(name)else:file_test.write(name)file_trainval.close()file_train.close()file_val.close()file_test.close()
运行后会在labels生成四个文件：
xml_to_txt.py代码如下：
import xml.etree.ElementTree as ETfrom tqdm import tqdmimport osfrom os import getcwdsets = ['train', 'val', 'test']classes = ['person'] # 这里改为你要训练的标签，否则会报错。比如你要识别“hand”，那这里就改为handdef convert(size, box):dw = 1. / (size[0])dh = 1. / (size[1])x = (box[0] + box[1]) / 2.0 - 1y = (box[2] + box[3]) / 2.0 - 1w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn x, y, w, hdef convert_annotation(image_id):# try:in_file = open('data/dataset/%s.xml' % (image_id), encoding='utf-8')out_file = open('data/labels/%s.txt' % (image_id), 'w', encoding='utf-8')tree = ET.parse(in_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):difficult = obj.find('difficult').textcls = obj.find('name').textif cls not in classes or int(difficult) == 1:continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))b1, b2, b3, b4 = b# 标注越界修正if b2 > w:b2 = wif b4 > h:b4 = hb = (b1, b2, b3, b4)bb = convert((w, h), b)out_file.write(str(cls_id) + " " +" ".join([str(a) for a in bb]) + '\n')# except Exception as e:#print(e, image_id)wd = getcwd()for image_set in sets:if not os.path.exists('data/labels/'):os.makedirs('data/labels/')image_ids = open('data/labels/%s.txt' %(image_set)).read().strip().split()list_file = open('data/%s.txt' % (image_set), 'w')for image_id in tqdm(image_ids):list_file.write('data/images/%s.jpg\n' % (image_id))convert_annotation(image_id)list_file.close()
修改第七行代码，将标签改为你自己的，运行后labels出现的文件就是已经打好标签的txt文件
在data文件夹中新建myvoc.yaml文件：
代码如下：
train: data/train.txtval: data/val.txt# number of classesnc: 1# class namesnames: ["person"]
nc:为你的标签类有几个（我的是对人的检测，只有一个）
将names： 里面的标签改为你自己的标签。
然后就可以训练了打开终端，激活自己的环境，进入项目工程下，输入训练命令：
python train.py --epoch 300 --batch 4 --data ./data/myvoc.yaml --cfg ./models/yolov5s.yaml --weight ./weights/yolov5s.pt--workers 0
epoch 300 训练300轮
batch 4 一次读入4张图片进行训练
如果电脑性能不是那么理想的话可以适当修改这两个参数值，训练好后会有两个文件best.pt和last.pt，会显示他的路径，找到就可以了，这两个就是你训练的模型
last.pt: 训练最后一轮的模型
bast.pt:效果最优的模型
