note

下面都是用服务器的两张2080Ti来说的。

检测到底需要多少数据的一个说明，里面有一点总结:==用于训练的最少图像数据量在150-500；==。yolov5中的readme去看看，它里面关于数据的多少也有建议,如下：

Images per class. ≥ 1500 images per class recommended Instances per class. ≥ 10000 instances (labeled objects) per class recommended Image variety. Must be representative of deployed environment. For real-world use cases we recommend images from different times of day, different seasons, different weather, different lighting, different angles, different sources (scraped online, collected locally, different cameras) etc. Label consistency. All instances of all classes in all images must be labelled. Partial labelling will not work. Label accuracy. Labels must closely enclose each object. No space should exist between an object and it’s bounding box. No objects should be missing a label. Label verification. View train_batch*.jpg on train start to verify your labels appear correct, i.e. see example mosaic. Background images. Background images are images with no objects that are added to a dataset to reduce False Positives (FP). We recommend about 0-10% background images to help reduce FPs (COCO has 1000 background images for reference, 1% of the total). No labels are required for background images.

一、训练脚本

检测：./train_m6.sh

#!/usr/bin/env bash
source /root/anaconda3/bin/activate s_yolov5

# 下面都是按照默认的 batch-size = 16 来说的，我没去改


# yolov5l6.pt、yolov5m6.pt 是从官网下载的预训练权重文件
exec python train.py --img 1024 --epochs 300 --data ./data/coco.yaml --weights ./yolov5m6.pt

# 验证：python detect.py --weights ./runs/train/exp/weights/best.pt --data ./data/coco.yaml  --imgsz 1024 --source 00136.jpg
# 注：跑验证时，.pt是不接受./data/coco.yaml的类别的了，它是从一开始训练时就定好的，但 .engine 这些是需要的，不然它的显示类别默认是真正的coo的类别(通过改源码的方式修正了，可看：vim models/common.py +499 )

:<<!
官网中：带6结尾的本身用的pixel就是用的 --img 1280

python train.py --img 640 --epochs 300 --data ./data/coco.yaml --weights ./yolov5l6.pt  可以
python train.py --img 1024 --epochs 300 --data ./data/coco.yaml --weights ./yolov5l6.pt  # 1024 就 out of memory 了

python train.py --img 1024 --epochs 300 --data ./data/coco.yaml --weights ./yolov5m6.pt  # m可以1024
python train.py --img 1280 --epochs 300 --data ./data/coco.yaml --weights ./yolov5m6.pt  # 1280就 out of memory

可以再开一个终端，使用tensorboar:
    1、运行web服务：tensorboard --logdir runs/train/   # 记得先激活这个虚拟环境
    2、访问：127.0.0.1:6006
    
    或者端口转发,win上再: ssh -f -N -L 6006:127.0.0.1:6006 root@192.168.108.218 
    就可以用win上的浏览器查看了

--------------------------------------------------------------------------------------------------------------------
训练好后，做了基准测试，因为环境问题，只有集中格式能行，
命令：
    python benchmarks.py --weights ./runs/train/exp/weights/best.pt --data ./data/coco.yaml --imgsz 1024 --device 1 
最终结果：
Benchmarks complete (965.08s)  # 这里Size指的模型的大小
                   Format  Size (MB)  mAP50-95  Inference time (ms)
0                 PyTorch       68.2    0.9459                20.65
1             TorchScript      135.6    0.9459                19.83
2                    ONNX      135.7    0.9459                29.89
3                OpenVINO        NaN       NaN                  NaN
4                TensorRT      178.5    0.9459                16.08
5                  CoreML        NaN       NaN                  NaN
6   TensorFlow SavedModel        NaN       NaN                  NaN
7     TensorFlow GraphDef        NaN       NaN                  NaN
8         TensorFlow Lite        NaN       NaN                  NaN
9     TensorFlow Edge TPU        NaN       NaN                  NaN
10          TensorFlow.js        NaN       NaN                  NaN
11           PaddlePaddle        NaN       NaN                  NaN

!

分割：./train_m_seg.sh

#!/usr/bin/env bash
source /root/anaconda3/bin/activate s_yolov5

# 下面都是按照默认的 batch-size = 16 来说的，我没去改

# yolov5l6.pt、yolov5m6.pt 是从官网下载的预训练权重文件
exec python segment/train.py --img 960 --epochs 300 --data ./data/coco.yaml --weights ./yolov5m-seg.pt
# 上面加了更强的数据增强参数  --hyp ./data/hyps/hyp.scratch-high.yaml  960的size显存会爆(降低batch_size为8就不会爆显存)，要用640的size

# exp  是 m 模型 size是 960
# exp1 是 l 模型 size是 640
# python segment/train.py --img 640 --epochs 300 --data ./data/coco.yaml --weights ./yolov5l-seg.pt 

:<<!

 m 模型，用 1024 会 out of memory
         用 960 即上面的悬链，基本显存也占满

 l 模型 只能训练 640 的图，然后显存基本沾满了
python segment/train.py --img 640 --epochs 300 --data ./data/coco.yaml --weights ./yolov5l-seg.pt


# detect测试的话：（记得指顶 --data ./data/coco.yaml，不然标签会错）
# 1：train-seg/exp 的权重文件是来自上面训练的 --img 960 --weights ./yolov5m-seg.pt 
python segment/predict.py --weights runs/train-seg/exp/weights/best.pt --data ./data/coco.yaml  --imgsz 960  --source 00136.jpg

# 2：train-seg/exp2 的权重文件是来自于上面训练的 --img 640 --weights ./yolov5l-seg.pt
python segment/predict.py --weights runs/train-seg/exp2/weights/best.pt  --data ./data/coco.yaml --imgsz 640 --source 00136.jpg
!

二、数据增强

​ yolov5中自带数据增强，且训练检测、分割时会默认启用。源代码中检测的数据增强，分割的数据增强。（在源码的./utils/augmentations.py）

里面有的增强方式有一些，核心看这两个：copy_paste、mixup

​ yolov5的训练(检测、分割)都是默认启用了数据增强，具体增强的一些参数通过配置文件来指定，不给的话默认是“data/hyps/hyp.scratch-low.yaml”，当然也可指定为“–hyp data/hyps/hyp.scratch-high.yaml”。

然后配置文件中，核心关注后面的几个参数：

注：

三、背景

可以添加一些背景图片，然后对应的表标签文件txt就是空的。

This site is open source. Improve this page.