如何在yolov5中数据集有三个类别，仅生成一个.cache文件？

在yolov5中数据集有三个类别，但是在训练出来后只有一个类别，仅生成一个.cache文件

img

img

img

看下你的dataset.yaml是怎么写的，也就是配置数据集的文件，里面配置了train,val,test和class-names.

  • 帮你找了个相似的问题, 你可以看下: https://ask.csdn.net/questions/7440016
  • 这篇博客你也可以参考下：【yolov5】数据格式、参数、输出结果 分析
  • 除此之外, 这篇博客: 使用yolov5训练自己的数据集中的 一、环境搭建 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:

  • 新建一个文件夹，起名yolov5train，注意该文件路径是不能有中文。
    打开该文件，在此处输入cmd
    在这里插入图片描述
    再输入conda activate，创建conda环境
    在这里插入图片描述

    再输入以下命令，更改下载源

    conda config --remove-key channels
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple

    在这里插入图片描述

    再将你下载的yolov5项目文件解压到这个文件夹内，并打开yolov5项目文件，并在标识处输入cmd
    在这里插入图片描述
    创建环境：

    conda create -n py15 python==3.8.5

    其中的py15是创建环境的名称
    输入后，有个步骤要你输入y，回车
    完成后
    在这里插入图片描述

    激活虚拟环境：

    在这里插入图片描述

    conda activate py15

    安装pytouch
    yolov5都可以使用cpu或gpu，只是cpu慢的抠se子使用gpu的小伙伴参考这个https://blog.csdn.net/ECHOSON/article/details/118420968

    我用的cpu，输入命令：

    conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cpuonly

    弹出
    在这里插入图片描述
    输入y，回车
    完成后
    在这里插入图片描述

    cd到yolov5代码的目录下，直接执行下列指令即可完成包的安装。
    pip install -r requirements.txt

    安装图形化界面库
    pip install pyqt5

    将下载好的权重文件解压到yolov5-master的
    pretrained目录下
    在这里插入图片描述

    在这里插入图片描述

    测试一下可不可以使用
    在终端中输入：

    python detect.py --source data/images/bus.jpg --weights pretrained/yolov5s.pt

    其中，data/images/bus.jpg代表你要检测的图片，pretrained/yolov5s.pt表示使用的权重文件。
    在这里插入图片描述
    要检测的图片：
    在这里插入图片描述
    检测结果放在yolov5-maskruns\detect\exp2目录下
    在这里插入图片描述
    好了，现在开始制作数据集。
    使用labelimg工具，用于图片的标注
    使用pip安装
    输入

    pip install labelimg -i https://mirror.baidu.com/pypi/simple

    在这里插入图片描述
    在终端中输入labelimg就会弹出窗口。
    在这里插入图片描述

    在这里插入图片描述
    labelimg使用
    注释：
    在这里插入图片描述

    首先点击open Dir 选择你要标注的图片的文件位置，
    在这里插入图片描述
    然后就会弹出下面的窗口，选择你保存标注的txt（就是你标注的bbox的标签会写入txt）。
    在这里插入图片描述
    然后开始标注：
    在这里插入图片描述
    点击next image
    在这里插入图片描述
    点击create Rectbox，再选中你要标记的物体，再输入类别，再点击ok。
    在这里插入图片描述
    然后右边的boxlabel就会出现你的标记
    在这里插入图片描述
    如果要修改类别，右键点击你要修改的标签，点击edit label
    在这里插入图片描述
    在这里插入图片描述
    修改后点击ok。
    如果要调整边界框的大小，点击edit rectbox
    这张图片标记完后，点击next image，进行下一张图片的标注，所有图片标注完后，点击save，保存。
    然后看看这波操作的结果
    打开保存边界框的txt文件 ，
    在这里插入图片描述
    在这里插入图片描述
    打开文件，其中数据的注释，每一行代表一个物体。
    在这里插入图片描述

    要使用的数据集目录：
    在这里插入图片描述
    其中dataset存放训练集、测试集，train是训练集，vaild是测试集，测试集、训练集的目录下都必须有images和labels文件，images中放的是图片，labels放的对应图片的标注文件。
    在这里插入图片描述
    在这里插入图片描述

    开始训练
    右键点击项目文件
    在这里插入图片描述
    项目文件配置：
    1、新建一个data_yaml
    在这里插入图片描述

    #train 写存放训练集图片的文件地址#val 写存放测试集图片的文件地址
train: D:/wxl/test2/train/images
val: D:/wxl/test2/vaild/images
#nc 标注的种类数量，name 里面放的输种类的名称
nc: 7
names: ['Motor Vehicle', 'Non_motorized Vehicle', 'Pedestrian', 'Traffic Light-Red Light' ,'Traffic Light-Yellow Light', 'Traffic Light-Green Light', 'Traffic Light-Off']

    2、本案例使用yolov5s权重文件，修改models目录下的yolov5s.yaml,将nc后的数字修改成你的数据集中标注的种类数量
    在这里插入图片描述

    3、开始训练，打开终端，进入项目文件的目录，激活conda环境。输入

    python train.py --data data.yaml --cfg models/yolov5s.yaml --weights pretrained/yolov5s.pt --epoch 100 --batch-size 4 --device cpu

    data.yaml指的是数据集的配置文件
    mask_yolov5s.yaml 指的是模型的配置文件
    pretrained/yolov5s.pt 使用yolov5spt的权重文件
    size 后面的数字指是多少张图片一起训练
    epoch 后面的数字表示跑的次数
    cpu 指用cpu训练
    在这里插入图片描述
    训练结果保存在项目文件的run\train\exp文件中
    在这里插入图片描述
    我跑的数据较少，就准确率就很低了，
    其中的weight存放的就是训练出来的模型，其中，best.pt是效果最好的，last.pt是最后一个。
    在这里插入图片描述
    来试下用训练出来的模型来预测。

    在终端中输入：

    python val.py --data data.yaml --weights runs/train/exp/weights/best.pt

    data.yaml 存放你要预测的图片数据位置。 runs/train/exp_yolov5s/weights/best.pt 使用的模型。
    在这里插入图片描述
    预测的数据放在了项目文件中的runs\val\exp8中
    在这里插入图片描述
    。

    结束，谢谢。菜鸟一个，如有错误，欢迎留言指正。

  • 您还可以看一下 白勇老师的YOLOv5实战垃圾分类目标检测课程中的 数据集及格式转换小节, 巩固相关知识点