Yolov5模型训练+转ncnn模型

YOLOv5及环境安装

打开yolov5开源地址：https://github.com/ultralytics/yolov5

可根据自身要求下载对应版本（无要求可跳过）：

 

下载：

下载完成安装依赖包：

如需使用显卡进行训练需按照显卡版本安装部分依赖包（CPU训练可跳过）：

这两个包注掉，然后根据显卡版本安装依赖

在cmd获取显卡版本：

nvidia-smi

根据显卡版本下载 PyTorch

 检查安装版本是否可用：

import torch
print(torch.cuda.get_device_properties(0).name)

 

 如需使用显卡进行训练需按照显卡版本安装部分依赖包（CPU训练可跳过）：

准备训练数据

准备截图：准备好自己的图片

数据处理：图片可以裁剪成正方形，训练效果会比较好，以下为处理代码；

import cv2
import os

# 定义目标尺寸
target_size = (460, 460)

# 定义裁剪位置，可选值为 'left', 'center', 'right'
crop_position = 'center'

current_dir = './img'  # 可以根据实际情况修改为图片所在的路径
for filename in os.listdir(current_dir):
    if filename.endswith('.jpg') or filename.endswith('.png'):
        img_path = os.path.join(current_dir, filename)
        img = cv2.imread(img_path)

        if img.shape[0] < target_size[1] or img.shape[1] < target_size[0]:
            print(f"Skip {filename} due to smaller size than target.")
            continue

        scale_factor = max(target_size[0] / img.shape[1], target_size[1] / img.shape[0])
        scaled_img = cv2.resize(img, None, fx=scale_factor, fy=scale_factor, interpolation=cv2.INTER_LINEAR)

        if crop_position == 'left':
            start_x = 0
        elif crop_position == 'center':
            start_x = int((scaled_img.shape[1] - target_size[0]) / 2)
        elif crop_position == 'right':
            start_x = scaled_img.shape[1] - target_size[0]
        else:
            raise ValueError("Invalid crop_position value. Should be 'left', 'center', or 'right'.")

        start_y = int((scaled_img.shape[0] - target_size[1]) / 2)

        cropped_img = scaled_img[start_y:start_y+target_size[1], start_x:start_x+target_size[0]]

        # 保存裁剪后的图片,覆盖原文件


        output_path = os.path.join(current_dir, filename)
        cv2.imwrite(output_path, cropped_img)

        print(f"Resized and cropped {filename} to {target_size} with crop position {crop_position}.")

 数据标注：

下载Label Studio

pip install label-studio

启动 Label Studio

label-studio start

 

随便注册一个账号

给你的项目起个名

上传文件

 

选择标注类型

 设置识别标签、保存；

进行标注

 

 导出yolo

 

 导出解压后把图片和txt文本分别放置目录下

 配置yaml

path: D:\.....\yolov5-master\yolov5-master\data  # 修改为你的data目录
train: images/train  # 修改为你刚才放图片的 train 的相对路径
val: images/val  # 修改为你刚才放放图片的 val 的相对路径
test:  # test images (optional)

# Classes
nc: 6  # 你的标签数量
names: ['Gate',
'Hero',
'Item',
'Mark',
'Monster',
'Monster_Fake'] # 你的标签都有啥

训练模型

python train.py --weights yolov5s.pt --data data/yosaa-test.yaml --workers  4 --batch-size 8 

 

 data/yosaa-test.yaml 替换为你的配置文件路径

执行完成后会生成pt模型

yolov模型转换

要想将yolov模型转ncnn首先需要转为onnx

转onnx

修改export.py

 注意下 5.6以上版本的yolov5没有 --train参数

# 在 YOLOv5 根目录执行以下命令
python export.py --weights best.pt --img 460 --batch 1 --train

 

 执行完就会生成 onnx文件

得到onnx后需要进行二次加工

python -m onnxsim best.onnx best-sim.onnx

 

 执行成功会获得 best-sim.onnx

然后使用工具转换为 ncnn （工具有偿提供，我也是买的 不支持白嫖！）

得到best-sim.param和best-sim.bin

打开 best-sim.param 改三个参数为 -1

 改完在记下输出参数