本文按步骤详细介绍了使用yolov5进行目标检测的全流程，包括：模型下载、环境配置、数据集准备和数据预处理、模型调整、模型训练、进行目标检测和检测结果分析。本文全部流程使用cpu完成（无需gpu），旨在跑通流程，模型训练过程较慢，且未能到达最优结果。需要 python版本>=3.8。
1. 模型下载
在github上进行模型下载：https://github.com/ultralytics/yolov5
2. 配置环境
首先在pycharm中新建一个Project，我们取名叫deeplearn。将下上步中下载好的yolov5-master.zip解压在该目录中。
在Anaconda prompt中切换到 '.\deeplearn\yolov5-master' 目录下，执行下面的指令安装所有需要的包（此处建议用清华镜像安装，不然会很慢）：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt安装完成显示successfully。
3.数据预处理和配置
需要将我们的训练数据处理成yolov5支持的形式，并配置相应目录。yolov5支持的标签为 txt 格式，yml格式标签转txt格式详见文章：待补充。
3.1 建立数据集目录
首先，数据目录结构如下：
我们将图片放在images文件夹中相应的训练/验证/测试文件夹下，标签放在labels文件夹中相应的文件夹下。
图片为 jpg 格式，标签为 txt 格式。一张图片对应一个txt标签文件。txt文件的每行标识了图片中的每个目标的类别和位置信息，详情如下：
其中，每行包含5个字段，分别为：
（1）类别编号（直接用名称会报错），名称转编号可参考如下脚本；
待补充
（2）图框中心点的相对横坐标x（即图框中心点横坐标/图片宽度）；
（3）图框中心点的相对纵坐标；
（4）图框相对宽度（即图框宽度/图片宽度）；
（5）图框相对高度。
3.2 配置yolov5中的数据文件
打开 'yolov5-master/data' 路径，找到coco128.yaml，复制一份并重命名为 my_test.yaml。
修改path参数为images和labels文件夹所在目录，修改train参数为 ./images/train，val参数为：./images/val，test参数为 ./images/test，（注意保留：后的空格），详见下图：
修改names为我们用的数据的类别序号和相应类别名称。
4.模型调整
打开 'yolov5-master/model' 目录下的 yolov5s.yaml 文件，里面即是我们用到的目标检测模型结构（注：如果用yolov5的其它模型也同理调整，yolov5s、m、l、x模型为从小到大的模型，训练速度从快到慢，效果越来越好。yolov5n是一个折中的新版本，速度比yolov5m快，效果也比它好）。
将参数nc改成我们的数据的类别总数 20。如下图：
进行其它简单的模型结构相关调整也在这个文件里。
5. 模型训练
复制一份 .yolov5-master 目录下的 train.py 文件，命名为 my_train.py 。找到第442行 parse_opt() 函数。
一些必须修改的关键参数已用红框标识：
（1）第445行：--cfg：修改为我们的训练模型配置文件
（2）第446行：--data：修改为我们的训练数据配置文件
（3）第448行：--epochs：训练轮数，需要配置合理的训练轮数，保证模型收敛。（可根据训练结果判断模型是否收敛，详见本文训练结果分析章节）
（4）第449行：--batch-size：批文件数。
（5）第461行：--device：选择用gpu还是cpu运行。本处修改为用cpu运行。如果装了cuda可以用gpu，速度会加快。
还有一些其它常用参数为：
（6）第444行：--weights：模型的初始权重，不做修改会自动下载一份。自行下载相应权重并配置路径。
（7）第464行：--optimizer：模型训练使用的优化器
在my_train.py所在目录下，执行 python my_train.py
会自动下载一份模型的初始参数：
加载完初始参数后，开始训练
第1个epoch，只用gpu训练是真的慢。不过好在跑起来了，坐等结果。1个epoch约20min，10个200min，差不多需要3.5个小时。可以通过增大batch_size减少运行时间。
运行结束：
结果在 runs\train\exp4中
6.结果查看
运行结果在 .\runs\train\exp4 目录下，包括
（1）模糊矩阵
（2）损失函数：
从损失函数上可以看出我们的模型训练没有收敛，因为数据量小且训练训练轮次少。（受时间和资源限制，就先这样了）
（3）可以看下在验证集上的结果：
真实标签如下图所示
我们训练好的模型在验证集上的预测结果为：
7.目标检测
（1）复制一份 detect.py 文件命名为 my_detect.py。
找到第242行：parse_opt()函数，进行如下调整：
-- weights：改成我们训练好的最佳权重的路径
-- source：改成待检测图片所在目录
--data：改成我们配置的数据 yaml 文件
--device: 改成cpu
其他参数：
--conf-thres: 置信度阈值，检测结果的置信度高于该阈值。提高该值会减少检测出的目标数。默认值0.25是一个常用的经验参数。
--iou-thres: iou阈值，用于控制非极大值抑制（NMS）中的边界框合并阈值，即两个框的iou值高于该阈值，两个框进行合并。提高该值会增加检测出的目标数。默认值0.45是一个常用的经验参数。
（2）进一步，如果需要调整输出的内容，可以先找到第187行，'if save_txt'处：
从第189行，可以看出，加上 --save-conf 后，其输出结果按顺序为：类别编号，图框中心点的相对横坐标x（即图框中心点横坐标/图片宽度），图框中心点的相对纵坐标，图框相对宽度（即图框宽度/图片宽度），图框相对高度，置信度。
如果我们希望输出的结果是：类别编号，置信度，x0，y0，x1，y1。则可以将第189行相应改为：
line = (cls, conf, *xyxy) if save_conf else (cls, *xywh) 执行：
python my_detect.py --save-txt --save-conf加上 --save-txt 表示输出目标检测结果的txt文件，其标准输出结果同训练数据的标签。
加上 --save-conf 表示检测结果的txt文件中包含检测的置信度。
对每个测试集图片的检测结果txt文件在labels目录下，内容如下：
其在原图上的检测框表示在exp2目录下：
8.查看在测试集上的表现
找到 yolov5-master/val.py，复制一份命名为 my_test.py。找到第342行 parse_opt()，并进行如下修改：
（1）第334行：--data：需要改为我们的数据配置yaml文件
（2）第345行：--weights：需要修改为我们训练后的最佳权重
（3）第346行：--batch-size：可以改为和之前一致的8
（4）第351行：--task：取值 test
（5）第352行：--device：使用gpu
（6）第361行：--project：检测结果存储的目录
（7）--conf-thres、--iou-thres：改成检测时用的值（截图里忘改了）
之后在Terminal中，yolov5-master目录下执行指令：
加上 --save-txt 表示输出目标检测结果的txt文件，加上 --save-conf 表示检测结果的txt文件中包含置信度。
python my_test.py --save-txt --save-conf运行结果如下：
可以看到相应检测结果结果在 runs\test\exp3目录下，包括检测结果、检测框标记、混淆矩阵、F1曲线、PR曲线等。
