本文分享自华为云社区《YoloV5实战：手把手教物体检测——YoloV5》，作者： AI浩 。  

摘要
YOLOV5严格意义上说并不是YOLO的第五个版本，因为它并没有得到YOLO之父Joe Redmon的认可，但是给出的测试数据总体表现还是不错。详细数据如下
v2-ce5ca0b79ff76765834520f8b9d77ea3_720w.jpg
YOLOv5并不是一个单独的模型，而是一个模型家族，包括了YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x、YOLOv5x+TTA，这点有点儿像EfficientDet。由于没有找到V5的论文，我们也只能从代码去学习它。总体上和YOLOV4差不多，可以认为是YOLOV5的加强版。
项目地址：GitHub - ultralytics/yolov5: YOLOv5 ???? in PyTorch > ONNX > CoreML > TFLite

训练  1、下载代码
项目地址：https://github.com/ultralytics/YOLOv5，最近作者又更新了一些代码。
v2-7a8b4c51f4a2d07705f6fafc6887a1a9_720w.jpg

  2、配置环境
  1. matplotlib>=3.2.2
  3. numpy>=1.18.5
  5. opencv-python>=4.1.2
  7. pillow
  9. PyYAML>=5.3
  11. scipy>=1.4.1
  13. tensorboard>=2.2
  15. torch>=1.6.0
  17. torchvision>=0.7.0
  19. tqdm>=4.41.0
3、准备数据集

数据集采用Labelme标注的数据格式，数据集从RSOD数据集中获取了飞机和油桶两类数据集，并将其转为Labelme标注的数据集。
数据集的地址： https://pan.baidu.com/s/1iTUpvA9_cwx1qiH8zbRmDg
提取码：gr6g
或者：LabelmeData.zip_yolov5实战-深度学习文档类资源-CSDN下载
将下载的数据集解压后放到工程的根目录。为下一步生成测试用的数据集做准备。如下图：
v2-4d1c4efbfd1bc6d54cee585a9d992434_720w.jpg

4、生成数据集
YoloV5的数据集和以前版本的数据集并不相同，我们先看一下转换后的数据集。
数据结构如下图：
v2-b3dc5e3769720ce2b24678e9fbc08e3a_720w.jpg
images文件夹存放train和val的图片
labels里面存放train和val的物体数据，里面的每个txt文件和images里面的图片是一一对应的。
txt文件的内容如下：
v2-4d39f110e388e91dff59249cf02a614d_720w.jpg
格式：物体类别 x y w h
坐标是不是真实的坐标，是将坐标除以宽高后的计算出来的，是相对于宽和高的比例。
下面我们编写生成数据集的代码，新建LabelmeToYoloV5.py，然后写入下面的代码。
  1. import os
  3. import numpy as np
  5. import json
  7. from glob import glob
  9. import cv2
  11. from sklearn.model_selection import train_test_split
  13. from os import getcwd
  14. classes = ["aircraft", "oiltank"]
  16. # 1.标签路径
  18. labelme_path = "LabelmeData/"
  20. isUseTest = True  # 是否创建test集
  22. # 3.获取待处理文件
  24. files = glob(labelme_path + "*.json")
  26. files = [i.replace("\", "/").split("/")[-1].split(".json")[0] for i in files]
  28. print(files)
  30. if isUseTest:
  32.     trainval_files, test_files = train_test_split(files, test_size=0.1, random_state=55)
  34. else:
  36.     trainval_files = files
  38. # split
  40. train_files, val_files = train_test_split(trainval_files, test_size=0.1, random_state=55)
  41. def convert(size, box):
  43.     dw = 1. / (size[0])
  45.     dh = 1. / (size[1])
  47.     x = (box[0] + box[1]) / 2.0 - 1
  49.     y = (box[2] + box[3]) / 2.0 - 1
  51.     w = box[1] - box[0]
  53.     h = box[3] - box[2]
  55.     x = x * dw
  57.     w = w * dw
  59.     y = y * dh
  61.     h = h * dh
  63.     return (x, y, w, h)
  64. wd = getcwd()
  66. print(wd)
  67. def ChangeToYolo5(files, txt_Name):
  69.     if not os.path.exists('tmp/'):
  71.         os.makedirs('tmp/')
  73.     list_file = open('tmp/%s.txt' % (txt_Name), 'w')
  75.     for json_file_ in files:
  77.         json_filename = labelme_path + json_file_ + ".json"
  79.         imagePath = labelme_path + json_file_ + ".jpg"
  81.         list_file.write('%s/%s\n' % (wd, imagePath))
  83.         out_file = open('%s/%s.txt' % (labelme_path, json_file_), 'w')
  85.         json_file = json.load(open(json_filename, "r", encoding="utf-8"))
  87.         height, width, channels = cv2.imread(labelme_path + json_file_ + ".jpg").shape
  89.         for multi in json_file["shapes"]:
  91.             points = np.array(multi["points"])
  93.             xmin = min(points[:, 0]) if min(points[:, 0]) > 0 else 0
  95.             xmax = max(points[:, 0]) if max(points[:, 0]) > 0 else 0
  97.             ymin = min(points[:, 1]) if min(points[:, 1]) > 0 else 0
  99.             ymax = max(points[:, 1]) if max(points[:, 1]) > 0 else 0
  101.             label = multi["label"]
  103.             if xmax <= xmin:
  105.                 pass
  107.             elif ymax <= ymin:
  109.                 pass
  111.             else:
  113.                 cls_id = classes.index(label)
  115.                 b = (float(xmin), float(xmax), float(ymin), float(ymax))
  117.                 bb = convert((width, height), b)
  119.                 out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
  121.                 print(json_filename, xmin, ymin, xmax, ymax, cls_id)
  123. ChangeToYolo5(train_files, "train")
  125. ChangeToYolo5(val_files, "val")
  127. ChangeToYolo5(test_files, "test")
这段代码执行完成会在LabelmeData生成每个图片的txt标注数据，同时在tmp文件夹下面生成训练集、验证集和测试集的txt，txt记录的是图片的路径，为下一步生成YoloV5训练和测试用的数据集做准备。在tmp文件夹下面新建MakeData.py文件，生成最终的结果，目录结构如下图：
v2-efb4de6863f47a81c46f01010e4086b6_720w.jpg
打开MakeData.py,写入下面的代码。
  1. import shutil
  2. import os
  4. file_List = ["train", "val", "test"]
  5. for file in file_List:
  6.     if not os.path.exists('../VOC/images/%s' % file):
  7.         os.makedirs('../VOC/images/%s' % file)
  8.     if not os.path.exists('../VOC/labels/%s' % file):
  9.         os.makedirs('../VOC/labels/%s' % file)
  10.     print(os.path.exists('../tmp/%s.txt' % file))
  11.     f = open('../tmp/%s.txt' % file, 'r')
  12.     lines = f.readlines()
  13.     for line in lines:
  14.         print(line)
  15.         line = "/".join(line.split('/')[-5:]).strip()
  16.         shutil.copy(line, "../VOC/images/%s" % file)
  17.         line = line.replace('JPEGImages', 'labels')
  18.         line = line.replace('jpg', 'txt')
  19.         shutil.copy(line, "../VOC/labels/%s/" % file)
执行完成后就可以生成YoloV5训练使用的数据集了。结果如下：
v2-82d9661f3dc841f207d65825d5924ca1_720w.jpg

  5、修改配置参数  
  1. 打开voc.yaml文件，修改里面的配置参数
  3. train: VOC/images/train/  # 训练集图片的路径
  5. val: VOC/images/val/  # 验证集图片的路径
  7. # number of classes
  9. nc: 2 #检测的类别，本次数据集有两个类别所以写2
  10. # class names
  12. names: ["aircraft", "oiltank"]#类别的名称，和转换数据集时的list对应

6、修改train.py的参数   
  1. cfg参数是YoloV5 模型的配置文件，模型的文件存放在models文件夹下面，按照需求填写不同的文件。
  3. weights参数是YoloV5的预训练模型，和cfg对应，例：cfg配置的是yolov5s.yaml，weights就要配置yolov5s.pt
  5. data是配置数据集的配置文件，我们选用的是voc.yaml，所以配置data/voc.yaml
  7. 修改上面三个参数就可以开始训练了，其他的参数根据自己的需求修改。修改后的参数配置如下：
  9. parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')
  11. parser.add_argument('--cfg', type=str, default='yolov5s.yaml', help='model.yaml path')
  13. parser.add_argument('--data', type=str, default='data/voc.yaml', help='data.yaml path')
修改完成后，就可以开始训练了。如下图所示：

v2-c00ddb50aa45d0eb8d8b8102e4aaef7e_720w.jpg

7、查看训练结果
在经历了300epoch训练之后，我们会在runs文件夹下面找到训练好的权重文件和训练过程的一些文件。如图：
v2-cabb03a6cc58c41e966e1208233ff4a4_720w.jpg
v2-bdef1216bb43e208235d9827d230d507_720w.jpg
v2-ee49e3fb04b6198523738f1cfa4d0316_720w.jpg
v2-45745404f13cf1fca66ad674cb897d98_720w.jpg
v2-3da0c3d14a8a20f85eaa82d364f8673e_720w.jpg

测试
首先需要在voc.yaml中增加测试集的路径，打开voc.yaml，在val字段后面增加test: tmp/test.txt这行代码，如图：
v2-8ef99c528bc0aedf3f594499fdb5aa5b_720w.jpg
修改test.py中的参数，下面的这几个参数要修改。
  1. parser = argparse.ArgumentParser(prog='test.py')
  2. parser.add_argument('--weights', nargs='+', type=str, default='runs/exp7/weights/best.pt', help='model.pt path(s)')
  3. parser.add_argument('--data', type=str, default='data/voc.yaml', help='*.data path')
  4. parser.add_argument('--batch-size', type=int, default=2, help='size of each image batch')
  5. parser.add_argument('--save-txt', default='True', action='store_true', help='save results to *.txt')
在275行 修改test的方法，增加保存测试结果的路径。这样测试完成后就可以在inference\images查看到测试的图片，在inference\output中查看到保存的测试结果。

如图：
v2-56d0d0f77fa3958cd7056b90bdbf4dae_720w.jpg

下面是运行的结果：
v2-bb04e4395f49b95b67f8d51b5fc246fe_720w.jpg