(2) Ubuntu에서 Yolov5로 train_data 학습시키기

이전에 dataset을 만들고 labeling을 진행하여 train_data 폴더를 만들어주었다.

그럼 이제 Yolov5를 clone한 후, train_data를 학습시켜보자.

 

data labeling 하는 방법은 아래에 설명되어 있다.

2024.03.14 - [YOLOv5] - (1)Ubuntu에서 image data labelling 하기

(1)Ubuntu에서 image data labelling 하기

---

1. Yolov5 git clone하기

먼저 yolov5.git을 clone해준다.

git clone https://github.com/ultralytics/yolov5.git

 

그리고 which python3으로 나온 경로에 requirements.txt를 install 해준다.

cd Documents
cd yolov5
which python3
[which python3 으로 나온 경로] -m pip install -r requirements.txt

---

2. train_data를 Home에서 yolov5/data로 옮기기

home에 있던 labeling 한 train_data 폴더를 복사하여 Home/Documents/yolov5/data에 붙여넣기 해준다.

---

3. custom_data.yaml 파일 생성하기

다음으로 Home>Documents>yolov5>data 경로로 들어가 coco128.yaml의 복사본을 만들어주고

기존의 yaml은 이름을 custom_data.yaml로 바꾸어 준다.

 

이제 custom_data.yaml을 다음의 단계로 수정해준다.

1) names: 내에 labeling 해준 class만 넣어준다.
2) path와 test는 주석처리해준다.
3) train과 val의 경로를 재설정해준다.

 

---

 

4. train_data를 yolov5로 학습시키기

which python3
[which python3으로 나온 경로] train.py --img 525(총 이미지 개수) --batch 16 --epochs 100 --data custom_data.yaml --weights yolov5s.pt --nosave --cache

 

결과

Growing Point (GP) detect를 잘해내는 것을 볼 수 있다!

데이터셋을 더 늘리면 정확도도 높아질 것으로 보인다.