首页分享如何使用这个玉米病虫害检测数据集进行YOLOv5模型的训练玉米虫害数据集 4类

如何使用这个玉米病虫害检测数据集进行YOLOv5模型的训练玉米虫害数据集 4类

来源：花匠小妙招时间：2024-11-20 13:53

【玉米病虫害检测YOLO数据集】在这里插入图片描述
【玉米病虫害检测YOLO数据集】共【10239】张，按照8比2划分为训练集和验证集，其中训练集【8191】张，验证集【2048】张，
模型分为【4】类，分类为：【‘Spodoptera frugiperda’, ‘aphid’, ‘corn borer’, ‘Athetis lepigone’】每个类别的图片数量和标注框数量如下： Spodoptera frugiperda: 图片数【4365】，标注框数【4703】
aphid: 图片数【523】，标注框数【29853】
corn borer: 图片数【3302】，标注框数【76720】
Athetis lepigone: 图片数【2049】，标注框数【2270】数据集训练结果图片见下图，有xml、txt、json等多种格式数据集，数据集YOLOv5-v11通用！在这里插入图片描述

好的，接下来我将详细介绍如何使用这个玉米病虫害检测数据集进行YOLOv5模型的训练。我们将从数据集的准备、模型的加载、训练配置和训练过程等方面进行详细说明。

1. 数据集准备数据集概述

数据集名称: 玉米病虫害检测数据集

数据集内容: 包含10239张图像，每张图像都有对应的标签文件，标签文件采用YOLO格式。

检测目标: 4类检测目标，包括’Spodoptera frugiperda’, ‘aphid’, ‘corn borer’, ‘Athetis lepigone’。

数据集划分: 训练集8191张，验证集2048张。

数据集目录结构

Corn-Pests-Dataset/ ├── images/ │ ├── train/ │ │ ├── image1.jpg │ │ ├── image2.jpg │ │ └── ... │ └── val/ │ ├── image1.jpg │ ├── image2.jpg │ └── ... └── labels/ ├── train/ │ ├── image1.txt │ ├── image2.txt │ └── ... └── val/ ├── image1.txt ├── image2.txt └── ... 12345678910111213141516171819 2. 数据集配置文件

创建一个data.yaml文件，配置数据集路径和类别信息。

# data.yaml train: Corn-Pests-Dataset/images/train val: Corn-Pests-Dataset/images/val nc: 4 # 类别数量 names: ['Spodoptera frugiperda', 'aphid', 'corn borer', 'Athetis lepigone'] # 类别名称 123456 3. 训练脚本

创建一个训练脚本train_yolov5.py，包含数据集加载、模型加载、训练配置和训练过程。

# train_yolov5.py import torch from yolov5.models.experimental import attempt_load from yolov5.utils.datasets import create_dataloader from yolov5.utils.general import check_img_size, increment_path from yolov5.utils.torch_utils import select_device, time_synchronized from yolov5.train import train def train_model(data_yaml_path, model_config, epochs, batch_size, img_size, device): # 选择设备 device = select_device(device) # 加载预训练的YOLOv5模型 model = attempt_load(model_config, map_location=device) # 设置数据集路径 data_path = data_yaml_path # 开始训练 train( data=data_path, epochs=epochs, # 训练周期数 batch_size=batch_size, # 每批样本数量 imgsz=img_size, # 输入图像尺寸 name="yolov5_corn_pests", # 输出模型的名字 patience=10, # 提早停止的耐心参数 workers=4, # 工作线程数 device=device # 设备（CPU或GPU） ) if __name__ == "__main__": data_yaml_path = 'data.yaml' model_config = 'yolov5s.pt' # 你可以选择其他预训练模型，如'yolov5m.pt', 'yolov5l.pt'等 epochs = 100 batch_size = 16 img_size = 640 device = '0' # 使用GPU，如果需要使用CPU，可以改为'cpu' train_model(data_yaml_path, model_config, epochs, batch_size, img_size, device) 123456789101112131415161718192021222324252627282930313233343536373839 4. 详细解释数据集配置文件 (data.yaml) train: 训练集图像路径。val: 验证集图像路径。nc: 类别数量。names: 类别名称列表。训练脚本 (train_yolov5.py) train_model: 主训练函数。 data_yaml_path: 数据集配置文件路径。model_config: 预训练模型路径。epochs: 训练周期数。batch_size: 每批样本数量。img_size: 输入图像尺寸。device: 训练设备（CPU或GPU）。 select_device: 选择训练设备。attempt_load: 加载预训练的YOLOv5模型。train: 开始训练过程，传入训练配置参数。 5. 运行训练脚本

数据集准备：
确保你的数据集路径和类别信息正确无误。

训练模型：

python train_yolov5.py 1 6. 注意事项 数据集路径：确保数据集路径正确，特别是data.yaml文件中的路径。模型配置：确保模型配置文件路径正确。图像大小：img_size可以根据实际需求调整，通常使用640或1280。设备：确保设备（CPU或GPU）可用。超参数调整：根据实际情况调整训练参数，如学习率、批量大小等，以获得最佳训练效果。 7. 总结

通过以上步骤，你可以使用YOLOv5训练一个针对玉米病虫害的目标检测模型。当然，以下是训练玉米病虫害检测YOLOv5模型的关键代码部分。我们将重点放在数据集加载、模型加载、训练配置和训练过程上。

1. 数据集配置文件 (data.yaml)

首先，确保你有一个正确的数据集配置文件 data.yaml，内容如下：

接下来是训练脚本的关键部分：

device = select_device(device) 1 select_device(device): 选择训练设备，可以是CPU或GPU。加载预训练模型

model = attempt_load(model_config, map_location=device) 1 attempt_load(model_config, map_location=device): 加载预训练的YOLOv5模型。开始训练

train( data=data_path, epochs=epochs, # 训练周期数 batch_size=batch_size, # 每批样本数量 imgsz=img_size, # 输入图像尺寸 name="yolov5_corn_pests", # 输出模型的名字 patience=10, # 提早停止的耐心参数 workers=4, # 工作线程数 device=device # 设备（CPU或GPU） ) 12345678910 train(...): 调用YOLOv5的训练函数，传入训练配置参数。 4. 运行训练脚本

确保你的数据集路径和类别信息正确无误后，运行训练脚本：

python train_yolov5.py 1 5. 注意事项 数据集路径：确保数据集路径正确，特别是data.yaml文件中的路径。模型配置：确保模型配置文件路径正确。图像大小：img_size可以根据实际需求调整，通常使用640或1280。设备：确保设备（CPU或GPU）可用。超参数调整：根据实际情况调整训练参数，如学习率、批量大小等，以获得最佳训练效果。