【Yolov5】简单使用

训练部分配置

训练集目录（可以是从标注平台标注后生成的标签与图片）：

|-- car/
  -- images/
    -- train  # 训练集的图片
    -- val	  # 验证集的图片，只要有图片就可以
  -- lables/   # 特征标签
    -- train  # txt特征文件
    -- val	  # txt特征文件
    ...cache文件 # 是一个缓存文件，用于存储训练集数据的预处理结果或其他中间数据，以提高数据加载和处理的效率


权重文件（ yolov5/data/car.yaml）:
path: ../car          # 训练集根目录
train: images/train   # 训练集的图像路径
val:  images/val      # 验证集的图像路径
test:  								# 测试集的图像路径（可选）
# 标签索引
names:
  0: 小轿车
  1: 大巴车
  2: 自行车
  3: 摩托车
	。。。

train.py 文件配置

def parse_opt(known=False):
    """Parses command-line arguments for YOLOv5 training, validation, and testing."""
    parser = argparse.ArgumentParser()
    # 模型权重的路径（默认即可）
    parser.add_argument("--weights", type=str, default=ROOT / "yolov5s.pt", help="initial weights path")
    parser.add_argument("--cfg", type=str, default="", help="model.yaml path")
    # 修改成自己标注的索引文件
    parser.add_argument("--data", type=str, default=ROOT / "data/car.yaml", help="dataset.yaml path")
    
# 配置后执行python3 train.py

detect.py

@smart_inference_mode()
def run(
    weights=ROOT / "runs/train/exp/weights/last.pt",  # 修改成训练后模型的地址
    source=ROOT / "data/images",  # 你想预测图片的存放地址
    data=ROOT / "data/car.yaml",  # 自定义的标签索引文件
 
def parse_opt():
    parser = argparse.ArgumentParser()
  	# 修改成训练后模型的地址
    parser.add_argument("--weights", nargs="+", type=str, default=ROOT / "runs/train/exp/weights/last.pt", help="model path or triton URL")
  	# 你想预测图片的存放地址
    parser.add_argument("--source", type=str, default=ROOT / "data/images", help="file/dir/URL/glob/screen/0(webcam)")
  	# 自定义的标签索引文件
    parser.add_argument("--data", type=str, default=ROOT / "data/car.yaml", help="(optional) dataset.yaml path")

# 配置后执行python3 detect.py