YOLO - 模型训练入门教程3（模型训练与使用）
作者：hangge | 2024-04-25 08:35
三、模型训练
1，修改配置文件
（1）首先在项目的 data 路径下找到 coco128.yaml 文件，复制到 own_datas 路径下，改名为 animal.yaml
（2）打开 animal.yaml 文件，首先需要修改如下三行内容：
- 第一行要注释掉
- 第二行和第三行的存放有训练图片和标签的目录相对路径
#path: ../datasets/coco128 # dataset root dir train: own_datas/images/train # train images (relative to 'path') 128 images val: own_datas/images/train # val images (relative to 'path') 128 images
（3）然后根据情况修改如下类别内容：
names: 0: cat 1: doge
（4）最后还可以把下面这一行给注释掉，因为我们不使用 coco128 数据集。当然不注释也行，没什么影响。
#download: https://ultralytics.com/assets/coco128.zip
（5）接着在项目 models 路径下找到 yolov5s.yaml 文件，同样复制到 own_datas 路径下：
（6）打开 yolov5s.yaml 文件，根据情况修改 nc 类别数：
2，开始训练
（1）打开项目的 train.py 文件，根据情况修改如下三行内容：
parser.add_argument("--weights", type=str, default=ROOT / "yolov5s.pt", help="initial weights path")
parser.add_argument("--cfg", type=str, default=ROOT / "own_datas/yolov5s.yaml", help="model.yaml path")
parser.add_argument("--data", type=str, default=ROOT / "own_datas/animal.yaml", help="dataset.yaml path")
（2）还有默认的 epoch 训练迭代次数是 100，大家可以根据情况适当增加或者减少试试效果：
parser.add_argument("--epochs", type=int, default=100, help="total training epochs")
（3）然后运行 train.py 开始训练，训练结束后控制台会输出训练结果信息：
（4）而在项目的 runs\train\exp 文件夹中可以查看所有训练相关的信息：
（5）其中 weights 文件夹里面的 best.pt 文件是训练好的模型：
四、模型测试使用
（1）我们将需要检测的图片（或者视频文件）放到 own_datas\images\test 文件夹下：
（2）然后打开 detect.py 文件，根据情况修改如下两行代码：
parser.add_argument("--weights", nargs="+", type=str, default=ROOT / "runs/train/exp/weights/best.pt", help="model path or triton URL")
parser.add_argument("--source", type=str, default=ROOT / "own_datas/images/test", help="file/dir/URL/glob/screen/0(webcam)")
（3）最后运行 detect.py，结束后可以在 runs\detect\exp 文件夹里查看结果：
（4）随便打开其中一张，可以看到目标已经被成功识别并标注出来了：
全部评论（0）