这是一个基于yolov5的，针对小鼠经过专门训练的目标检测和语义分割模型。请按照以下的教程进行配置环境和使用。

我们假设您的电脑已经过了基本的软件安装和配置，可以使用gpu进行训练。如果没有请您下载安装anaconda和vscode/pycharm等软件。 https://blog.csdn.net/ECHOSON/article/details/117220445 这里是一个关于anaconda的使用教程。

part1：环境配置

以下是环境配置流程：

conda create -n yolo5 python==3.10 conda activate yolo5 pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu117 pip install pycocotools

#cd到yolov5代码的目录下 pip install -r requirements.txt pip install labelme #不需要自己标注数据集的话可以不用安装

到这里环境配置完成了。您可以使用以下代码测试。

python detect.py --source data/images/bus.jpg --weights pts/yolov5x.pt python segment/predict.py --source data/images/bus.jpg --weights pts/yolov5x-seg.pt

part2：数据集制作

如果您需要自己标注数据集，我推荐使用labelme工具进行标注，并使用transfer文件夹下的labelme2yolo.py脚本进行切换。

labelme #启动工具

https://blog.csdn.net/qq_40280673/article/details/127437581 这份教程详细说明了在标注yolo数据集时labelme的用法。

完成标注之后，将图片和json文件分别放入transfer文件下的images和json目录。运行：

python labelme2yolo.py python change.py

yolo格式的标注文件会在txt文件夹中生成。

语义分割请使用transfer_seg文件夹下的这个代码：

python labelme2coco.py --json-dir jsons --save-dir txts --classes "mouse"

我们提供了一些便于使用的资料在这个链接中：链接：https://pan.baidu.com/s/16XY9IcQbeczAdWVAkHheew?pwd=mice

--一个标注并划分完成的目标检测数据集和一个语义分割数据集，解压缩后放入根目录即可使用 --一个未做标注的图片集（含770张图片，可用于进一步优化模型） --来自DeepLabCut的俯视角小鼠数据集，含有姿态估计的标注信息 --yolo官方的精度最高的预训练模型 yolov5x和yolov5x-seg --我们训练好的分别针对需要尾巴和不需要尾巴两种情况的模型（目标检测），含尾巴的语义分割模型

part3：模型训练

将标记完成的数据按照下面的格式进行放置：

dataset ├─ images │ ├─ test # 下面放测试集图片，可选 │ ├─ train # 下面放训练集图片 │ └─ val # 下面放验证集图片 └─ labels ├─ test # 下面放测试集标签，可选 ├─ train # 下面放训练集标签 ├─ val # 下面放验证集标签

我已经准备好了文件夹，将网盘内的数据集解压后，对应把新的标注和图片放入即可，并修改data目录下的mouse_d.yaml文件的train和val的绝对路径。 如果需要增加新的class（如其它动物），请修改data目录下的mouse_data.yaml文件的nc和names。 如果是语义分割，请将网盘中的压缩包解压后放在根目录下，并用自己的标签与图片放入train2017中。 我已经在model下建立了mouse.yaml配置文件。直接使用即可。 预训练模型和我已经训练好的模型也在网盘中 下载好后请将模型放入pts文件夹内。 执行下列代码运行程序即可： 如：

python train.py --epoch xx --batch-size x

或 直接输入：

python train.py #默认epoch=1000，batchsize=16，可根据自己服务器情况选择，

参数中的resume(line 451)的True或False代表是否从上次训练的模型继续训练，默认为False，意外中断需要继续训练时请改为True

训练语义分割的步骤大同小异，仅需将最后一步改为：

python segment/train.py

part4：模型使用

训练完后，请从runs/train中找到最近训练的模型best.pt并将其放置于pts文件夹内。 我们在这提供预训练模型的使用方式，更换模型修改即可。 如果使用我们训练好的模型，则不需要part2和part3，配置完环境后即可使用。 模型的使用全部集成在了detect.py文件，按照下面的指令：

检测图片文件 python detect.py --weights pts/best_withtail.pt --source file.jpg # image 检测视频文件 python detect.py --weights pts/best_withtail.pt --source file.mp4 # video 检测一个目录下的文件 python detect.py --weights pts/best_withtail.pt --source path # directory

语义分割为： python segment/predict.py --weight pts/best_seg.pts --source path 输出结果位于runs/detect文件夹中。

debug说明：

1. 报错：AttributeError: 'Upsample' object has no attribute 'recompute_scale_factor' 解决方案： https://blog.csdn.net/weixin_43401024/article/details/124428432 该问题由lib导致，只能配置完环境后手动修改

2. 报错：PermissionError: [Errno 13] Permission denied: 解决方案：请使用绝对路径

3. 训练时报错：OSError: [WinError 1455] 页面文件太小，无法完成操作。 或：stderr: 'fatal: not enough memory for initialization' 解决方案：https://blog.csdn.net/weixin_43817670/article/details/116748349 num_workers已经修改，如果仍然有问题请加大虚拟内存。

4. 报错：CUDA:Out Of Memory： 解决方案：1：减小batch size 2：对于显存碎片化（即剩余显存远大于需求时），解决方法是将PYTORCH_CUDA_ALLOC_CONF的max_split_size_mb设为较小值

        set PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:32