目录
一、下载yolo5
首先下载源码：yolo5 github地址
我下载的是最新版本：v6.1。
二、安装必要依赖
进入下载的yolo5源码文件夹中，执行依赖安装：
cd xx/xx/yolov5-master
pip install -r requirements.txt
三、安装pytorch
先进入yolo5源码文件夹中，由于yolo5基于pytorch，如果和我版本一样的yolo5，然后下载大于等于1.7.0版本的，我下载的是1.7.1版本，cpu版本，下载地址：pytorch下载地址
pip install torch==1.7.1+cpu torchvision==0.8.2+cpu torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html
四、打标图片制作数据集
打标图片地址：makesense
4.1 导入图片
可以一次性导入多张图片进行打标。
4.2 开始打标
4.3 添加标签
4.4 进行打标
打标时，记得选择好我们的标签。
4.5 导出打标数据
4.6 打标数据
我们的打标数据将会和图片名一致，且以txt后缀：
文件中的内容为我们的标签类别及坐标：
五、整理训练数据
5.1 第一层目录
我们需要训练的图片将会整合到images文件夹中，我们的打标数据将会整合到labels中：
5.2 第二层目录
images文件夹和labels文件夹下的第二层目录如下：
- test：测试集数据
- train：训练集数据
- val：验证集数据
5.3 第三层目录
第三层目录中，我们放置相应的图片或打标数据，比如在images/train/下面我们放置训练用的图片，labels/train/下面放置打标数据：
C:\MyData\images\train\1.png
C:\MyData\labels\train\1.txt
记住图片和打标数据需要一一对应。
六、创建配置文件
我将自定义的配置文件取名为：my_data.yaml。可以按照自己的喜好取名。
train: C:/MyData/images/train
val: C:/MyData/labels/train
nc: 1 # 类别有几个就填几个
names: ['风力发电'] # 每个类别的名称
test目录是可选的，可用可不用。
七、训练数据
进入我们的yolov5-master目录，运行以下命令：
python train.py --data my_data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --epoch 1000 --batch-size 4 --device cpu
如果使用models/yolov5s.yaml，需要把nc: 1 改为我们的训练类别，我这只有一个类别，所以是1。
- –data：我们的配置文件
- –cfg：参数配置文件
- –weights：权重文件
- –epoch：一次完整的向前传播和反向传播，填几就是进行几次
- –batch-size：每一批样本的数量
- –device：训练用的硬件，我这只有cpu，用的cpu，有条件用gpu
训练成功后，会生成我们的训练数据：
其中weights会生成我们的训练权重结果：
- best.pt：拟合最好的
- last.pt：最后拟合的
一般情况下使用拟合最好的权重去使用。
八、验证数据集
使用我们训练好的权重进行数据验证：
python val.py --data my_data.yaml --weights runs/train/exp/weights/best.pt --img 640
九、检测图片
python detect.py --source C:/Users/TT/Downloads/test2.jpg --weights runs/train/exp/weights/best.pt
至此，一整套简单的yolo5使用流程到此结束，很多配置和参数的调整需要进一步深入学习。