搭建训练模型

Git下载

Git下载主页链接

yolov5源码下载

在安装好Git后，在要安装yolov5源码文件中右键打开**Git Bash**,输入命令回车下载：

1
git clone git@github.com:ultralytics/yolov5.git

安装Anaconda环境

在进行安装Anaconda环境前，首先准备好安装Anaconda，目的是为了方便管理不同Python项目的配置环境，在这里，安装Anaconda不再赘述，自行上网查找安装教程，本站长贴出安装步骤链接，Anaconda下载安装教程

配置conda环境，安装Labelimg

  1. 打开终端命令行，输入命令：
1
2
conda create -n 环境名 python=(python版本号)
conda create -n labelimg python=3.8


2. 输入命令激活环境：

1
conda activate labelimg

可以看到前面的括号里变成了环境名,说明已经成功激活虚拟环境了

  1. 在虚拟环境中，直接键入命令安装labelimg即可安装完成：
1
pip install labelimg
  1. 直接键入命令回车，打开标记软件：
1
labelimg

再进行数据标注的时候，点击键盘的**W**键，可以看见鼠标光标变成十字形，按住鼠标左键,将标记的目标框出来，，提示输入标签名，输入person(可标记多个目标或者标签名)，标记好后保存(Save)，数据集就会保存到所选存储位置

yolov5配置及修改

  1. 打开yolov5源码文件夹，进入data文件夹，新建两个文件夹，分别命名为labels(用来存储labelimg的标记结果)，images(用来存储预训练的图片)。
  2. 新建三个txt文件，分别命名为train test val,将训练的图片分为训练集和验证集，然后把图片的路径(根文件目录，即data/images/图片名+格式)分别写入这三个txt文件，train和val是可以不用区分的(可以相同)，但是对应的txt文件必须存在。

对于要在txt文件里面要保存训练的图片名称，因为训练的图片数量应在1000张左右，这样训练的模型效果相对较好，因此一个一个去输入图片的名称有点不太现实，所以我们直接写个代码去获取当前文件夹的所有文件名称，并循环打印(记得加前缀data/images/),代码如下：

1
2
3
4
5
6
7
8
9
10
import os

# 获取当前文件夹中的所有文件名
file_names = os.listdir('.')
# 将每个文件名前加上"data/images/"并存储在新的列表中
formatted_file_names = [f"data/images/{file_name}" for file_name in file_names]

# 打印每个格式化后的文件名
for name in formatted_file_names:
    print(name)
  1. 打开里面的coco128.yaml文件，在names这里，只保存之前labelimg里面的分类名称，其他类名均删除，将txt文件所在的文件夹路径填入path中，然后将三个txt文件名分别填入train，test，val,然后将本文件另存为自己想要命名的文件名。
  2. 数据集准备好后，打开train.py文件，根据requirements.txt(根目录下即可找到)安装相关的包。
  3. 下载Pytorch(CUDA版本),进入Pytorch官网，选择stable版,Windows平台，选择Pip，编程语言选择python，之后选择CUDA版本。

查看安装CUDA版本：，打开命令终端，输入命令查看显卡版本，选择比本版本低的Pytorch下载即可：

1
nvidia-smi

  1. 复制下载命令进入pycharm，打开终端复制并回车。

  2. CUDA和CUDNN在NVIDIA官网下载即可，安装方法自行上网查找，由于站长太善良，直接贴出安装教程链接，CUDA与CUDNN安装教程,另外切记安装的版本必须要与Pytorch版本号相对应。
  3. 在train.py文件中，找到parse_opt函数模块位置(在507行)，开始配置训练参数。
  1. 第一行weights,把yolov5s.pt内容清空，续训练的时候，把上次的.pt权重文件根路径添加进去。
  2. 第二行cfg，进入model文件夹，将yolov5l.yaml文件的根路径添加进default中。
  3. 第三行data，在data文件夹中，将之前由coco128.yaml改写的自命名文件的根路径替换掉。
  4. 第五行epochs，即训练的轮数，自定义即可。
  5. 第六行batch-size，即每次进入神经网络的图片数(8-14左右)
  6. 在device那行中，选择CPU或者GPU进行训练(选CPU，就填CPU;选GPU，如果一块显卡，就填0，多块显卡的话，依次把想要用到的显卡序号写出来，大家应该都填0，因为我们都是苦逼的大学牲，没钱买多余的显卡)。
  1. 准备工作基本上结束了，然后运行该文件，进行训练，等待训练完成后，**.pt权重文件会出现在runs/train/exp/weights**下。

yolo框架的改写

打开yolov5源码根目录下的detect.py文件，找到parse_opt函数模块(在287行)，配置参数。

  1. 第一行weights,把训练好的.pt权重文件根路径添加进去。
  2. 第二行source，单引号中为需要YOLO进行目标推理的图片名称，填入screenshot.jpg。
  3. 第三行data，在data文件夹中，将之前由coco128.yaml改写的自命名文件的根路径替换掉。
  4. 第五行conf-thres，设置目标置信度，适中即可。
  5. 第八行device，同上。
  6. 第十行save-txt，在action前加一个default=‘True’(实现射击逻辑)。
  7. 在代码的最后面，if __name__ == "__main__":的上方，填写img = pyautogui.screenshot('screenshot.jpg')(调用pyautogui的截图功能,括号内为截图保存的文件名，与parse_opt中的source里填写的文件名一致)
  8. 终端中输入命令：
1
pip install pyautogui
  1. 在parse_opt上方if save_text:判断中添加射击逻辑，代码如下：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
if save_txt:  # Write to file
    xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist()  # normalized xywh
    xywh[0] = xywh[0] * 1920
    xywh[1] = xywh[1] * 1080
    # 射击逻辑
    if cls == 0:
        pyautogui.moveTo(xywh[0],xywh[1])
        (x, y) = pyautogui.position()
        #print("x:" + str(x))
        #print("y:" + str(y))
        print("0:" + str(xywh[0]))
        print("1:" + str(xywh[1]))
        pyautogui.moveRel(0.33 * (xywh[0] - x), 0.33 * (xywh[1] - y))
        pyautogui.click()

由于射击逻辑与自身鼠标DPI和游戏内灵敏度有关，需自己不断调试。

YOLO训练后完整代码下载

代码已全部打包，有意者自行下载，模型的话我只训练了300张，精度的话不是很理想，只需要安装所有的配置环境即可，解压后只需运行根目录下的detect.py文件。

下载源码