此文章记录如何在ubuntu下部署yolov5网络，并训练自己的数据集

环境：ubuntu16.04+Pycharm+Pytorch1.7.1+Cuda10.1
具体如何在ubuntu下配置深度学习环境，可以参照此篇博客

一、配置环境并运行例程

1. 下载yolov5

下载地址：github链接
下载方式：进入github页面，点击右上角的code，复制图中网址。在目标文件夹中打开终端（进入目标文件夹中右键点击弹出框中的在终端打开），运行以下命令，将yolov5下载至该目录中

git clone https://github.com/ultralytics/yolov5

如果在pycharm中配置了深度学习环境，也可以像下图一样，先进入其中的Teminal界面，在到目标文件夹下（我这里将yolov5保存在了curling_detection文件夹下），运行上述命令，将yolov5下载到此文件夹下。
注意：此处需要先进入深度学习的环境中（我这里是lls_pytorch）

下载完成后，会在目标文件夹下出现名为yolov5的文件夹，打开文件夹，包含以下内容。

2. 配置环境依赖

yolov5中的requirements.txt，这是一个配置环境依赖的脚本，里面包含了对所需各种库的版本要求。
先进入yolov5文件夹下，运行下面命令来配置环境依赖
shell pip install -r requirements.txt

3. 下载预训练模型

在路径yolov5/weights/下有脚本download_weights.sh，执行脚本可以下载yolov5系列的s,m,l,x四个模型，由于这里我只用到了最轻量级（当然也是最快）的yolov5s，所以我这里将脚本列表中的’m’、‘l’、'x’均删掉了，然后进入yolov5目录下执行该文件，使用

bash ./weights/download_weights.sh

下载完成后，会生成一个名为yolov5s.pt的压缩包，将此压缩包移至yolov5/weights/目录下。

4. 下载例程中的coco128数据集

可以直接进入网页中进行下载，然后放到yolov5的同级目录下
下载地址：在此处
注意观察coco128数据集的目录格式，在其数据集下分为了images和label文件夹，一个存放原图像，而另一个是存放的是与之对应的打标签后生成的txt文件。
在制作自己数据集时也要以此目录格式组织。（具体如何打标签后文会提到）

5. 数据集配置文件

关于coco128数据集的配置文件，yolov5中都已经为我们写好，下面做简要介绍。
首先在yolov5/data/文件夹下有一个coco128.yaml文件，该文件中写有数据集的训练集train和验证集val路径，类别数nc，类别名称names。
（由于我们已经下载好了数据集，这里可以将下载网址注释掉）

6. 选择一个模型进行训练

在yolov5/models中存放着模型的配置文件，我们打开yolov5s的配置文件yolov5s.yaml。当我们需要用自己的数据集进行训练时，只需改动该文件下的类别数nc。

7. 开始训练

还是在yolov5目录下，运行下述命令

python train.py --img 640 --batch 16 --epochs 5 --data ./data/coco128.yaml --weights ./weights/yolov5s.pt

> 参数说明：
--img 640 训练和测试输入大小，默认为[640, 640]
--batch 16 默认为16
--epoch 5 训练执行的周期数，一个epoch遍历一遍数据集
--data 数据集的配置文件路径
--cfg：模型的配置文件，默认为yolov5s.yaml
--weights 初始化权重参数路径，默认值''

开始训练：

最后，在训练结束后，会在yolov5/runs/train/下生成相应的exp文件夹，第n次测试会生成一个名为expn的文件夹，打开此文件夹，里面存放着训练的结果，最重要的是其中weights文件中的权重文件，其中包括best.pt为过程中效果最好的权重文件，last.pt为最后一次的权重文件。将best.pt改名为coco128.pt放入到yolov5/weights文件夹下。

8. 推理测试

• 使用摄像头进行测试

python detect.py --source 0

• 使用单张图片进行测试
  在yolov5/data/images中存放着为我们准备好的两张图片bus.jpg和zidane.jpg
  例：我们使用bus.jpg进行测试，原图如下
  
  我们在终端中运行下面的命令：

  python detect.py --source ./data/images/bus.jpg --weights ./weights/coco128.pt --conf 0.25
  

  参数说明
  –source 测试图片的路径
  –weights 训练得到的权重文件
  –conf 0.25 只显示置信度大于0.25的部分

最终的结果存放在yolov5/runs/detect中的最后一个exp文件中，最终的结果如下：

二、训练自己的数据集

实验目的：使用yolov5实现对冰壶的检测与跟踪

1. 收集数据

拍摄大量的冰壶图片。（这里我收集了516张冰壶图片）
在yolov5的同级目录下创建新的文件夹（我这里设置为curling_data），且包含images和labels两个子文件夹
将所有的冰壶图片放在images文件夹中

2. 制作标签数据

这里使用的打标签工具为labelImg
下载地址：github官网地址
具体安装使用方法可以参考这篇博客
标注要选择yolo格式，这样生成的文件为.txt文件，将所有.txt标签文件存放在label文件夹下。这样，image和label文件夹下分别存放着图片以及与之对应的标签文件。如下所示：
注意：如果你的标签数据是xml格式，xml与txt文件间的转换可以参考这篇博客

3. 组织文件结构

像上述coco样例一样，我们的数据集也要按下面的目录结构组织。

分别在images和labels文件夹下新建两个文件夹train和val，train中存放需要训练的图片（即516张冰壶图片），val中存放训练集中的一部分用作验证。创建好文件夹好，可以通过以下命令快速实现文件的移动

cd images/ #进入images文件夹
cp 2020010900*.jpg ./val #将0-99图片复制到val文件夹中
mv *.jpg ./train #将所有的jpg图片移动到train文件夹中
cd labels/ #进入labels文件夹
cp 2020010900*.txt ./val #将0-99txt文件复制到val文件夹中
mv *.txt ./train #将所有的txt文件移动到train文件夹中

整理好后的目录格式如下：

4. 修改配置文件

进入yolov5/data目录下，修改coco128.yaml文件内容。这里，我们可以先复制一份coco128.yaml，然后更名为curling516.yaml，修改内容如下：
声明train和val文件的路径，类别数nc以及类别名names（这里分为了两类，分别为red和yellow代表冰壶的颜色）

5. 修改模型配置文件

进入yolov5/models目录下，修改yolov5s.yaml文件内容。这里，我们可以先复制一份yolov5s.yaml，然后更名为curling_yolov5s.yaml，只需要修改类别数nc:

6. 开始训练

使用yolov5s进行训练，进入到yolov5文件夹下
执行训练命令：

python train.py --img 640 --batch 16 --epochs 30 --data ./data/curling516.yaml --cfg ./models/curling_yolov5s.yaml --weights ./weights/yolov5s.pt

训练结束后，会在yolov5/runs/train目录下的最后一个exp文件夹下生成一个名为weights文件夹，我们将该文件间里面的权重文件best.pt文件复制到yolov5/weights中，并更名为curling516_best.pt

7. 使用训练好的预训练模型进行测试

• 单张图片测试
  和上面的coco样例一样，可以在网上找一张冰壶图片，在yolov5/data下新建一个文件夹名为curling_img，将图片存放在该文件夹中。
  执行测试命令：

python detect.py --source ./data/curling_img/curling.jpg --weights ./weights/curling516_best.pt --conf 0.5

最后会在yolov5/runs/detect目录下最后一个exp文件夹中生成检测后的图片如下：

• 视频测试目标跟踪效果
  同样，可以将一段冰壶视频存放在yolov5路径下，然后执行下面命令(curling.avl为视频名称)

python detect.py --source curling.avl --weights ./weights/curling516_best.pt --conf 0.5

最终结果也保存在了yolov5/runs/detect的最后一个exp文件夹中。

参考文献：
1. Yolov5详细使用教程，以及使用yolov5训练自己的数据集
2. wiki/Train-Custom-Data
3. Ubuntu下深度学习环境的配置
4. 在 Ubuntu下安装使用labelImg
5. Yolo格式和Voc格式的相互转换