一. 前言

以下代码只可用于私服，不可商用，代码完全开源，因为自己的研究方向也是深度学习方向，而且平时闲的时候还喜欢玩会cf火线等枪战，就想着找一个大模型做一个对游戏敌人的识别的功能，一切实现之后就想把自己的心得写出来，我打算分俩个教程分别细述整个学习以及操作的过程，教程一主要包括了yolov5的基本使用，制作并训练自己的数据集，第二个教程包括对yolov5添加或修改部分代码以达到实现完整功能的目的

提示：看这篇文章需要会一些虚拟环境的基础操作以及python的基本操作，如果对虚拟环境不了解，对cudnn和cuda不了解可以看下面这篇文章  ==》https://blog.csdn.net/calmdownn/article/details/130609866

二. 制作数据集

2.1 下载labelImg 和 所需配置库

进入aconda虚拟环境中之后下载下面三个库文件

pip install PyQt5 -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

 

pip install pyqt5-tools -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

 

pip install lxml -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

labelImg : 到github上将labelImg压缩包下载下来，我用的是1.8.1的版本  ==》labelImg下载地址

2.2 进入虚拟环境编译resources.py文件之后启动labelImg

进入虚拟环境之后切换到（cd）下载之后的labelImg文件夹目录，执行以下命令将qt文件转化为.py

pyrcc5 -o resources.py resources.qrc

(我的python版本是3.8),最后运行labelImg.py的python文件,打开labelImg

python labelImg.py

注意：可能会爆出以下错误，提示在libs文件中找不到resources文件

解决方法：将resources.py文件转移到libs文件夹中

打开之后如下：

点击PascalVoc按钮，将其切换成yolo格式，open就是打开你原始图片的文件夹，open dir 就是打开你的目标图片文件夹（推荐这个），change save Dir就是改变你的保存路径

 下面是它的快捷键：

2.3 使用labelImg

添加原图片，按w进行拉框，拉框之后为其命名即可

 我这里是画了一个头和一个身子

 全部画完之后按住 ctrl + s 进行保存，你就能在原先设置的存储路径中看见一个.txt的文件了

打开txt文件之后如下，0和1分别代表头部类和身体类，四个数值分别代表你画框的左上角坐标和右下角坐标

到这制作数据集的步骤就结束了，下面开始下载并使用yolov5模型

三. yolov5的下载与使用

3.1 官网下载yolov5

进入github，选择版本然后下载，我下载的版本是7.0版本 ==》yolov5下载地址

 下载完打开如下：

3.2 配置yolov5的所需虚拟环境

基本的虚拟环境创建

注意事项：

1).确定你的显卡驱动版本，下载对应的cuda和cudnn，是为了能够使用gpu版本的pytorch，比如我的电脑显卡是1060，所对应的cuda和cudnn版本分别就是10.2和7.6.5版本

显卡与cuda和cudnn的对应关系以及虚拟环境的知识可以看下面这篇文章 == 》Anaconda/jupyter notebook安装使用tensorflow-gpu_jupyter notebook安装tensorflow_calmdownn的博客-CSDN博客

2).注意pytorch的版本，yolov5的官网有声明，至少pytorch要大于1.7.0版本，所以我下载的是1.8.1版本

conda install cudatoolkit=10.2 -c  https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/

conda install cudnn=7.6.5 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/

conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cudatoolkit=10.2 -c pytorch

pytorch对应的工具包下载地址 == 》https://pytorch.org/get-started/previous-versions/

比如你要下载1.8.1版本的gpu的pytorch，就可以 ctrl + f 全局搜索，找到linux和windows的下载，然后找准你对应的cuda版本下载就可以了

建议：最好先看看官网支持的cuda有什么版本，然后根据你的显卡再去选择cuda会更省力一些

3)测试pytorch的gpu版本是否可以使用

进入虚拟环境，运行python之后，导入import，执行下面语句判断gpu版本是否可用，如果结果为true就代表成功了

print(torch.cuda.is_available())

4)其他包的安装

剩余其他工具包的安装就比较简单了，一键自动安装即可，命令如下

注意：使用这个命令的前提还是要进入虚拟环境之后，通过cd切换到yolov5文件目录下才能执行

pip install -r requirements.txt

 下面就是requirements.txt的位置和内容

3.3 测试yolov5运行

1) 下载yolov5s.pt文件，放进根目录中，网址 ==》 https://github.com/ultralytics/yolov5/releases

进入网站往下翻，看到assets配置，点击展开全部assets，找到yolov5s.pt文件下载下来

将yolov5s.pt文件放入根目录下面

2) 打开pycharm或者其他的编辑软件导入yolov5这个文件夹，这里只用pycharm举例了，将pycharm切换到你创建的虚拟环境，如果没有的自己add添加一下自己的虚拟环境，如果不会的查一下，这里就不多说了

3) 更改参数

打开detect.py的文件，在根目录下可以找到

找到下面画红线的几行参数，yolov5-7.0版本在212行开始，将你们的代码图片中画红线的地方改成同样的代码，我简单说下一些属性的功能

weights :  代表权重，yolov5s.pt也就是官方已经训练好的权重，经过很多数据集锻炼出来的，有一些基本的类识别功能，我们以后就是在这个权重上继续训练的，也就是站在巨人的肩膀前进

source :  代表来源，这个来源可以是图片，视频，屏幕等，这里测试用的就是yolov5里面自带的照片，大家可以照着路径找一下这个图片

data :  代表数据配置文件，.yaml文件里面包含了训练集，实验集，测试集路径，还包含了识别的所有类别名称集合，无论是训练还是测试都会用到

device :  设备名称，如果你只有一个显卡默认改为0即可，如果你有多个显卡可以写成 0,1,2这个形式

view-img，save-txt 等，这些都是一些不太重要的属性，也就是是否弹出预测图片，是否生成txt文件等等

4) 运行

上面都准备好之后就可以运行detect.py文件了

运行成功之后提示如下，运行之后的结果图片会自动保存到runs\detect\exp文件夹之下

3.4 利用yolov5测试自己的数据

1) 构建自己的数据文件目录

创建一个mydata文件夹，mydata文件夹下面有俩个子文件夹，分为images，labels，里面又分为三个文件夹，测试集，训练集，验证集，images文件保存的就是原图片，labels文件保存的是.txt文件，里面有类别和坐标，忘了的看2.3，我们要将数据分成三类，我写了一个小脚本用来将所有的数据集分类

下面就是我写的数据集分类脚本部分：

使用方式：只需要更改source_folder_jpg(你的所有图片地址)，source_folder_txt(l图片对应的.txt文件地址)，destination_folder(你想要生成的目标文件夹地址) ，split_ratio_val(验证集的比例)，split_radio_test(测试集的比例)

运行之前文件夹图片如下：

运行之后文件夹图片如下：

mydata文件夹就已经包含了yolov5数据集的整体格式了，直接将它移动到data根目录下就行了，忘了放到什么位置的看3.4的第一步就知道了

脚本代码：

import osimport shutilimport randomdef random_split_files(source_folder_jpg,source_folder_txt,destination_folder,split_val=0.3,split_test=0.3): # yolov5的文件夹格式 mydata_folder = os.path.join(destination_folder, 'mydata') # mydata文件夹 images_folder = os.path.join(mydata_folder,'images') # images文件夹 labels_folder = os.path.join(mydata_folder, 'labels') # lables文件夹 img_train_folder = os.path.join(images_folder,'train') # img_train文件夹 img_val_folder = os.path.join(images_folder, 'val') # img_val文件夹 img_test_folder = os.path.join(images_folder,'test') # img_test文件夹 lbs_train_folder = os.path.join(labels_folder, 'train') # label_train文件夹 lbs_val_folder = os.path.join(labels_folder, 'val') # label_val文件夹 lbs_test_folder = os.path.join(labels_folder, 'test') # label_test文件夹 # 放入列表中 folder_list = [] folder_list.append(img_train_folder) folder_list.append(img_val_folder) folder_list.append(img_test_folder) folder_list.append(lbs_train_folder) folder_list.append(lbs_val_folder) folder_list.append(lbs_test_folder) # 判断文件夹是否存在 for forder_name in folder_list: if os.path.exists(forder_name) == False: os.makedirs(forder_name) pass # 打开数据集的照片以及txt文件 files_jpg = os.listdir(source_folder_jpg) files_txt = os.listdir(source_folder_txt) # 打乱照片顺序 random.shuffle(files_jpg) # 三数据数量 num_files_val = int(len(files_jpg) * split_val) num_files_test = int(len(files_jpg) * split_test) num_files_train = int(len(files_jpg) - num_files_test - num_files_val) # 判断数量是否符合 if num_files_train <= 0: print("验证集和和测试集数量比例不对！") return files_train = files_jpg[:num_files_train] files_val = files_jpg[num_files_train:num_files_train + num_files_val] files_test = files_jpg[num_files_train + num_files_val:] for filename_train in files_train: # print(filename) filename_txt = filename_train.replace(".jpg",".txt") source_path_jpg = os.path.join(source_folder_jpg, filename_train) source_path_txt = os.path.join(source_folder_txt, filename_txt) destination_path_jpg = os.path.join(img_train_folder, filename_train) destination_path_txt = os.path.join(lbs_train_folder, filename_txt) shutil.copy(source_path_jpg, destination_path_jpg) shutil.copy(source_path_txt, destination_path_txt) print("训练集jpg,txt文件传送完毕") for filename_val in files_val: filename_txt = filename_val.replace(".jpg", ".txt") source_path_jpg = os.path.join(source_folder_jpg, filename_val) source_path_txt = os.path.join(source_folder_txt, filename_txt) destination_path_jpg = os.path.join(img_val_folder, filename_val) destination_path_txt = os.path.join(lbs_val_folder, filename_txt) shutil.copy(source_path_jpg, destination_path_jpg) shutil.copy(source_path_txt, destination_path_txt) print("验证集jpg,txt文件传送完毕") for filename_test in files_test: filename_txt = filename_test.replace(".jpg", ".txt") source_path_jpg = os.path.join(source_folder_jpg, filename_test) source_path_txt = os.path.join(source_folder_txt, filename_txt) destination_path_jpg = os.path.join(img_test_folder, filename_test) destination_path_txt = os.path.join(lbs_test_folder, filename_txt) shutil.copy(source_path_jpg, destination_path_jpg) shutil.copy(source_path_txt, destination_path_txt) print("测试集jpg,txt文件传送完毕")if __name__ == "__main__": source_folder_jpg = "D:\lableimg1.8\csdn\dataset_pic" # 原图片地址 source_folder_txt = "D:\lableimg1.8\csdn\dataset_txt" # 原图片txt地址 destination_folder = "D:\lableimg1.8\csdn" # 目标地址 split_ratio_val = 0.2 # 验证集分割比例 split_ratio_test = 0.2 # 测试集分割比例 random_split_files(source_folder_jpg, source_folder_txt, destination_folder, split_ratio_val,split_ratio_test)

2) 创建自己的.yaml文件

在data根目录下新建一个.yaml文件，我的就是crossFire.yaml了，里面包含了训练集，测试集，验证集的地址，如果和我一样结构就不用改了，如果不一样自行改就行了，这个文件里面还包含了训练的类别

train: data/mydata/images/train # train images (relative to 'path') 128 imagesval: data/mydata/images/val # val images (relative to 'path') 128 imagestest: data/mydata/images/test # test images (optional)names: 0: body 1: head

3) train.py文件配置

注意：下面画红线的都是需要改的，其他属性可以和我一样，主要是batch-size,epoch,workers，最好根据自己电脑情况来改变

属性介绍：

weights：权重，我们正常就用yolov5s.pt就行了，和上面detect.py预测文件一样

cfg：我们用的模型的配置文件，因为我们用的yolov5s，所以这里就用yolov5s.yaml文件，在models文件的根目录下就能看见

data：数据集的配置文件，和上面detect.py预测文件一样，上面自己创建的.yaml文件

epochs：迭代次数，这里建议300-600次之间较好，多了可能会高方差过拟合，少了可能会高偏差欠拟合

batch-size：块训练大小，这个数量大小根据显卡情况来定就行，比如我的1060 3G显存每次只能设定为8，如果大于8我的显存就会爆，会提示out of memory，这里建议2倍递增即可，比如选择 2/4/8/16/32/64 等

batch-size扩展（可以不用看）: batch-size其实就是将一大块训练的数据集随机分成多个小块去进行训练，这样模型可以根据每一块训练结束后的loss损失值去调整权重，更好的适应下一块的训练,这样在图像上表现出来的就是Loss会稳步上升，比不用batch-size更加稳定，而且更加节省内存资源，总体循环次数会多出batch-size - 1次

device：选择显卡，如果你只有一张显卡默认0就行了，如果你有多张，就可以写成0,1,2等

workers： 数据预处理时候所用的cpu线程数量，如果电脑不太行，就默认0就可以了，我的1060 3G就只设置的为0，多线程也比较吃显存，因为训练的时候gpu吃的比较多，所以cpu做一些比如预处理的操作之后会等待gpu的操作完成再继续，所以用多线程就会把cpu利用的更充分一点，我租服务器的时候workers设置的就为8，3080ti显卡12G

4) 运行train.py文件

上面都准备好就可以运行了，运行图片如下：

3.5 训练结果使用

1) 训练结果储存位置：

训练结束之后可以在runs/train/exp(exp1就代表第一次训练文件夹，exp2代表第二次)/weights下找到best.pt，和last.pt文件，best.pt文件就代表训练过程中取某一次循环中loss代价函数最低的一次权重，也就是效果最好的一次，last.pt文件就是最后一次循环的权重文件

2) 利用best.pt文件进行预测操作

对没错，你费劲千辛万苦就是为了得到这个best.pt文件，将detect.py文件中的权重路径换成你训练得到的best.pt文件路径（更改weights属性，忘了的看3.3的第三小步，detect.py文件配置那块），source属性换成你想要预测的照片/视频的地址，data属性换成你自己写的.yaml文件，下面地方都可以根据情况更改

3) 预测

预测之后的存储地址就在runs/detect/exp(第几次预测后面就是数字几)，如果你想更改存储的地址可以找到project属性进行更改，目录结构如下:

下面这张图片就是我随便从训练集里选出来的一张图片，咱们看看效果

 结果图如下：

四. 材料与总结

4.1 材料

如果想要敌我数据集或者整个项目的可以邮箱联系我（874302104@qq.com），因为百度云上传大项目需要vip才可，大概有16000千张不同人物不同地点标注好的敌我标注

4.2 总结

yolov5的基础到这就结束了，下一篇我将讲述如何进行时时监控屏幕以及自动进行瞄准，如果有什么困难和不懂的也可以邮箱联系我哦！