yolov3训练自己的模型,yolo模型继续训练

　　Yolov5自定义图像训练测试及模型调整(详细流程)1。图像数据采集和标记2。数据集分割和准备3。设置训练参数和准备训练3.1数据/训练配置XXX。XXX

　　在书中(详细流程)))))))))))))))))))))))))))接下来的30分钟内完成Yolov5的安装、配置和使用。

　　1.图像数据的获取和注释。当您定制自己的数据集时，您需要首先对数据进行注释。数据来源包括下载已有的开发数据集、拍照、抓取等。

　　如果是通过照片或爬虫获取的数据图像，需要标注数据。这个过程可以用工具来完成，但也需要人工操作。此外，图像越多越好。如果样本太少，模型的训练和预测都会受到影响，难以拟合。

　　这里的自定义数据往往没有现成的数据集，所以用手机拍照获取图像。

　　有许多图像标记工具，这里我使用

Makesense AI

工具来标记图像：

　　地址：3359 www.makesense.ai/make sense . ai功能强大，免费照片标签

在线工具

。

　　Makesense.ai不需要安装，使用浏览器即可。很方便。另外，可以直接导出Yolo格式，不需要使用工具进行转换。

　　(当然还有其他工具，比如labelimg，但是只能导出xml。Xml-txt转换需要脚本，但是labelimg等本地工具的数据更私密/安全。)

　　或者拖动上传要标记的图像文件，然后单击对象检测。

　　当你点击“ObjectDetection”时，会显示一条信息，表明你需要添加一个标签，如有必要，添加标签的名称。

　　(根据待测数据集，如果有几种类型，请补充几种。)

　　添加标签名称后，点击“开始项目”。

　　然后进入舞台，用rect画一个矩形框做标记。

　　生成传感器支撑点、线和区域标记。

　　标记完成后，点击“导出评论”导出标签。

　　选择Yolo格式

　　导出的tag标签文件实际上是类别和区域位置，每个标签格式代表：

　　class _ centery _ centerwidthheight对应于lable文件中每行的内容。示例：

　　因为我们可以用makesense.ai直接生成yolo格式的label txt，以后就不需要使用工具进行转换了，直接复制到数据集就可以了，非常方便。否则，对于xml文件格式，需要一个用于xml-txt转换的脚本。

　　2.数据集划分和准备：首先划分测试数据集，将定制的测试图像数据和标签数据集分别划分为训练集、验证集和测试集。比例随数据量而异，一般可以是963360233602%。

　　遵循Yolov5的原生格式，我们创建了一个新的数据集目录和两个子目录images和labels，用于存储待训练图像和标签的标签数据：

　　分别创建数据集目录train/val/test，

　　将每个对应的测试数据集放入对应的文件夹(

文件名要一一对应

)，如下图所示。

　　到目前为止，训练所需的数据集已经分段并准备好了。

　　3.配置训练参数，准备训练：不像。Yolov3/Yolov4的cfg配置文件，Yolov5参数配置文件都在。yaml格式。

　　3.1修改数据/培训配置xxx.yaml文件。然后，您需要修改Yolov5的培训配置参数来定制和创建培训。您要使用的yaml配置文件。

　　为了修改方便，我们可以复制原始数据/coco128.yaml，更改其名称，将参数改为自定义训练参数。

　　首先，通过观察coco128.yaml可以看出，原来coco训练集中的类别数是80，标签(模型识别的类别名称)分别是下一个名称。

　　根据具体需要进行修改。这里用于测试的修复如下

　　将path/train/val/test目录路径更改为自定义数据集路径，将NC(numberofclasses)更改为2，将名称注释为您自己的数据类名，然后删除downloadtrain.py。

　　修改后的yaml:

　　3.2修改models/model configuration XXX . yaml文件进入“model/directory”时，将显示四个模型配置的YAML文件。

　　您需要选择要修改的模型yaml。这里为了准确起见，以模型网络参数最大的yolov5x为例，打开yolov5x.yaml。

　　模型的yaml文件中包含了与模型网络相关的配置参数，比如nc下的depth_multiple。

　　指网络的深度，width_multiple是网络的宽度，anchors是锚点(标记对象的方框)，backbone是主干网。

yolov5x.yaml

是yolov5x模型训练的具体参数。在这里，同上，相应的参数也被修改。

　　建议复制一个新的yaml进行修改：

　　Nc改为2。对于锚点，如果您已经提前进行了聚类，则可以同步修改计算的锚点。否则，您不能修改它们。Yolov5默认可以自动判断是否需要重新聚类锚(使用K-means)，所以我这里没有操作。

　　4.开始训练。修改两个yaml配置文件后，您可以开始训练：

　　python train . py-CFG Models/yolo V5 M _ TSTAT。YAML数据/TSTAT。YAML-重量级yolov 5M . PT-EPOCH 150-批量-32开始训练：

　　然后就是漫长的训练过程，等待训练完成。

　　训练结束后，从最后的日志可以看出，训练好的模型的权重保存在runs/train/exp17/weights/last . pt和best.pt中

　　还包括训练过程数据，如PR曲线、混淆矩阵和results.png/txt.

train.py相关参数解析：

　　权重：权重文件路径。如果是，重复训练参数。如果不是空白，就做迁移学习。重量文件的型号应与cfg参数中的型号相对应。epochs:指整个数据集在训练过程中迭代的次数。批次大小：每次梯度更新的批次号。指权重更新前一次查看多少张图片。config-thres:模型目标检测的置信度阈值cfg:用于存储模型结构数据的配置文件：存储训练、测试文件img-size:输入图片的宽度和高度rect:执行矩形训练resume:恢复最近保存的模型并开始训练nosave:仅保存最终的检查点notest:仅测试最后一个epochevolve:evolve super parameter cache-images:缓存图像以加速训练name:rename results . txt to results _ name . txt device:cuda device，即0或0，1，2，3or5.训练后测试模型：同样使用detect.py，权重使用新训练后的best.pt。你可以拍一张新的测试图片，或者找一张以前没用过的图片。

　　python detect . py-weights runs/train/exp 16/weights/best . pt-sourcedata/test/TC 400 _ 137.jpg(模型调优后图片的置信度为0.9)

train_batch0.jpg

:可以看到模型在训练过程中，模型用0和1分别代表两个不同的标签/类。

　　Yolov5官网的预训练模型在训练中使用了coco数据集，从0到80的数字分别代表不同的标签/类别。

　　例如，官方文件提供的train _ batch0.jpg的示例图片对应于batch 0:

　　实时摄像头识别如下，识别的辨别力还在~

　　6.细心调模型参数的朋友可以发现，上述目标检测识别的置信度都比较低(实时摄像头检测的置信度都低于0.2)。

　　一般好的模型的置信度应该在

0.6

以上，识别率应该在90%以上。

　　所以这次训练出来的模型识别效果很差，用不上。这是因为上面的培训流程

没有进行模型的调优

。

　　接下来需要对YOLOv5模型的参数进行优化，提高识别率和置信度。(或者增加样本数据量，然后重新训练)

　　Train.py会默认使用源代码的模型超参数。这些参数对于Githu上的源代码在训练时的数据集(如coco数据集)可能是最优的，但在我们的自定义数据中不一定有效。

　　实际上Github上的预训练模型在识别率等方面也存在一些缺陷，不能直接应用到实际项目中。在大多数应用中，需要重新调整，基于相应的数据集训练出适合自己项目的模型。

　　优化模型的hyp参数后，置信水平明显提高，最终检验为

实时摄像头检测的置信度能达到0.6以上，纯img检测图像更是能达到0.9

　　在参数整定的过程中，通常要多次重复微调-训练-测试，最终才能得到符合要求/更好的HyperPara并应用于工程中。

　　上图：

　　调整data/hyps/hyp.finetune.yaml中的超参数：

　　最后，lr0(学习率)被调整为0.0030，并且epoch和batch-size被修改。

部分hyp超参数意义：

　　0: 0.0032 #学习率lrf: 0.12 #余弦退火动量：0.843 #学习率动量权重_衰减：0.00036 #权重衰减系数warmup_epochs: 2.0 #学习预热epoch warm _ momentum: 0.5 #预热学习率动量warm _ bias _ LR: 0.05 #预热学习率box: 0.0296 # giou损失系数cls: 0.243 #分类损失系数cls_pw 有或没有对象丢失的系数obj_pw: 0.911 #有或没有对象丢失的正样本的权重iou_t: 0.2 #标签和锚的iou训练阈值，并将历元增加到1000，批大小增加到64。再用train.py，训练时间也是。

　　python train . py-CFG models/yolov 5m _ tstat . YAML-data data/tstat . YAML-weights yolov 5m . pt-epoch 1000-batch-size 64

　　当然也要考虑到，在视频图像识别中，运动物体的识别率比静止图像差，运动检测越激烈，偏差越大。

　　例如，将设备放在桌面上的识别率和置信度会更稳定：

　　同时也要考虑到，我在这里测试的时候，手工取的数据量比较少，也可能导致模型欠拟合，导致模型识别效果不好。

　　实际的图像数据量，每一类都要好于1500，并做一些图像增强、变换等数据预处理技术。增加模型的稳健性，防止过拟合。

　　模型调优的技巧请参考官网的提示：https://docs . ultralytics . com/tutorials/training-tips-best-results/

　　在模型测试时，无论是加载模型的速度，还是测试图片的推理速度，都能明显感觉到Yolov5更快，尤其是加载模型的速度，因为同样的数据集训练出来的模型Yolov5更轻量，体积缩小到Yolov3的近四分之一。

　　到目前为止，Yolov5定制数据训练和测试/模型调优已经完成。

　　附Yolov5的网络模型结构图(图片来自知乎江大白)

　　下面将继续深入讨论Yolov5的源代码和主干网络。

　　博主推荐热门文章：

一篇读懂系列：

　　一读无线充电技术(附方案选择及原理分析)一读：Android/iOS手机如何通过音频接口(耳机接口)与外设通信一读：Android手机如何通过USB接口与外设通信(附原理分析及方案选择)

LoRa Mesh系列：

　　LoRa学习：LoRa学习的关键参数(扩频因子、编码速率、带宽)的设置与解读：信道占用检测原理(CAD) LoRa/FSK无线频谱波形分析(频谱分析仪测试LoRa/FSK带宽、功率、频率误差等。)

网络安全系列：

　　ATECC508A芯片开发笔记(1):我第一次见到SHA/HMAC/AES-CBC/CTR算法的性能和RAM消耗测试结果。常用加密/签名/哈希算法(多平台AES/DES、DH、ECDSA、RSA等)的性能比较。)AES加密和解密效率测试(纯软件AES 128/256)——采用嵌入式Cortex-M0和M3平台

　　嵌入式学习中良好的动手项目和项目安排(有代码资料、学习视频和嵌入式学习规划)IAR调试技巧总结：Linux内核编译配置(Menuconfig)如数据断点、CallStack、设置堆栈、检查堆栈使用情况和堆栈深度、内存、设置Next语句等。制作文件系统的详细步骤：调用Android底层的C代码(JNI实现)。第一步：开机启动，安装中文字体，虚拟键盘，打开SSH等Android/Linux设备。有线和无线双网共存(内部和外部网络)