train.py

def parse_opt(known=False):
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default=ROOT / 'models/yolov5s.yaml', help='model.yaml path')
    parser.add_argument('--data', type=str, default=ROOT / 'data/data-dog.yaml', help='dataset.yaml path')
    parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')
    parser.add_argument('--epochs', type=int, default=100, help='total training epochs')
    parser.add_argument('--batch-size', type=int, default=32, help='total batch size for all GPUs, -1 for autobatch')
    parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')
    parser.add_argument('--rect', action='store_true', help='rectangular training')
    parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
    parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
    parser.add_argument('--noval', action='store_true', help='only validate final epoch')
    parser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')
    parser.add_argument('--noplots', action='store_true', help='save no plot files')
    parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')
    parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
    parser.add_argument('--cache', type=str, nargs='?', const='ram', help='image --cache ram/disk')
    parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
    parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
    parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='SGD', help='optimizer')
    parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
    parser.add_argument('--workers', type=int, default=0, help='max dataloader workers (per RANK in DDP mode)')
    parser.add_argument('--project', default=ROOT / 'runs/train', help='save to project/name')
    parser.add_argument('--name', default='exp', help='save to project/name')
    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
    parser.add_argument('--quad', action='store_true', help='quad dataloader')
    parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler')
    parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
    parser.add_argument('--patience', type=int, default=100, help='EarlyStopping patience (epochs without improvement)')
    parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone=10, first3=0 1 2')
    parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')
    parser.add_argument('--seed', type=int, default=0, help='Global training seed')
    parser.add_argument('--local_rank', type=int, default=-1, help='Automatic DDP Multi-GPU argument, do not modify')

    # Logger arguments
    parser.add_argument('--entity', default=None, help='Entity')
    parser.add_argument('--upload_dataset', nargs='?', const=True, default=False, help='Upload data, "val" option')
    parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval')
    parser.add_argument('--artifact_alias', type=str, default='latest', help='Version of dataset artifact to use')

• –weights 这个是预训练模型,如果不需要的话将里面内容调整为空即可
• –cfg 这个是加载的模型文件,在models文件下,有yolov5s等文模型可供选择
• –data 配置你的数据集所在地

data.yaml

将data.yaml文件修改成yolo需要的格式:

train: C:\Users\14505\Desktop\deeplab\archive\444\etou_face\train\images   # 这个是训练集所在的路径
val: C:\Users\14505\Desktop\deeplab\archive\444\etou_facevalid\images   #验证集所在的路径

nc: 120   # 种类
names: ['pig','dog',..................]     #种类名称 120个种类就要对应着120个name,json格式传入

数据集

yolov5需要将数据集分类,并且需要符合yolo的格式
基本上格式如下:

image如下:

注意:json test文件可有可无
classify文件是这样的:

左侧是序号 右侧是种类名 要和之前打data-yaml文件对的上
label文件夹同格式:

其中label文件中的路径和txt文件名称要和image中的路径图片文件名称对得上,一个文件对应一个txt标签文件

标签文件格式:

0代表着前面的种类号,与之前的classify文件对应上
后面四个数字是框的位置,对应着xywh 不理解什么意思的可以搜一下机器学习xywh,也就是自己打标签的框的位置,再后面可以跟关键点的标签,我这个没有就没加上去.
如果网上下载的数据集格式不一致的情况下,需要将他的格式转成对应的yolo需要的格式,这一部分每个人和每个人都不一致,就不展开说了

总结

整体上整个yolov5就配置完了,也能跑起来

1. 配置data.yaml文件
2. 根据yolo格式格式化数据集
   简单来讲就这两部分,希望能对你有帮助!