YOLOv5解析 | 第二篇:用YOLOv5训练自己的数据集(超级详细完整版)
Posted K同学啊
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了YOLOv5解析 | 第二篇:用YOLOv5训练自己的数据集(超级详细完整版)相关的知识,希望对你有一定的参考价值。
大家好,我是K同学啊!
我们接着上一篇文章 YOLOv5解析 | 第一篇:快速部署YOLOv5模型 配置完YOLOv5需要的环境后,今天我们试着用YOLOv5训练自己的数据。(在开始本教程前,记得先跑一遍入门篇,确保其他环境是正常的)
有图有真相,先看看我昨天的运行结果
【YOLOv5 源码地址】
🚀 我的环境:
- 语言环境:Python3.8
- 编译器:PyCharm
- 深度学习环境:
- torch==1.10.0+cu113
- torchvision==0.11.1+cu113
- 显卡:GeForce RTX 3080
文章目录
一、准备好自己的数据
我的目录结构是这样子的
- 主目录
- paper_data(自己创建一个文件夹,将数据放到这里)
- Annotations(放置我们的.xml文件)
- images(放置图片文件)
- ImageSets
- Main(会在该文件夹内自动生成 train.txt、val.txt、test.txt 和 trainval.txt 四个文件,存放训练集、验证集、测试集图片的名字)
- paper_data(自己创建一个文件夹,将数据放到这里)
你将会看如下的目录结构:
Annotations文件夹为xml文件,我的文件如下:
我images文件位.png格式,官方的为.jpg,不过问题不大后面改一下代码即可(后面会讲解)
二、运行 split_train_val.py 文件
ImageSets文件夹下面有个Main子文件夹,其下面存放了 train.txt、val.txt、test.txt 和 trainval.txt 四个文件,它们是通过 split_train_val.py
文件来生成的。
split_train_val.py
文件的位置如下:
split_train_val.py
的内容如下:
# coding:utf-8
import os
import random
import argparse
parser = argparse.ArgumentParser()
#xml文件的地址,根据自己的数据进行修改 xml一般存放在Annotations下
parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')
#数据集的划分,地址选择自己数据下的ImageSets/Main
parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 1.0
train_percent = 0.9
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
os.makedirs(txtsavepath)
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
for i in list_index:
name = total_xml[i][:-4] + '\\n'
if i in trainval:
file_trainval.write(name)
if i in train:
file_train.write(name)
else:
file_val.write(name)
else:
file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()
运行 split_train_val.py
文件后你将得到 train.txt、val.txt、test.txt 和 trainval.txt 四个文件,结果如下:
注:如何修改数据集中训练集、验证集、测试集的比例? 请参考:
三、运行 voc_label.py 文件
先看看我们要生成的文件位置
开始办事,现在我们需要的是 voc_label.py
文件,其位置如下:
voc_label.py
文件的内容如下:
# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ["unripe citrus"] # 改成自己的类别
abs_path = os.getcwd()
print(abs_path)
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
def convert_annotation(image_id):
in_file = open('./Annotations/%s.xml' % (image_id), encoding='UTF-8')
out_file = open('./labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 标注越界修正
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\\n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('./labels/'):
os.makedirs('./labels/')
image_ids = open('./ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
list_file = open('./%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write(abs_path + '/images/%s.png\\n' % (image_id)) # 注意你的图片格式,如果是.jpg记得修改
convert_annotation(image_id)
list_file.close()
运行 voc_label.py
文件,你将会得到上面截图中 train.txt、test.txt、val.txt三个文件,文件内容如下:
四、创建 ab.yaml 文件
这个文件名是我随意取的,这个可以做出改变的哈
ab.yaml
文件的位置如下:
我的 ab.yaml
文件内容如下:
#path: ../datasets/coco # dataset root dir
train: ./paper_data/train.txt # train images (relative to 'path') 118287 images
val: ./paper_data/val.txt # train images (relative to 'path') 5000 images
#test: test-dev2017.txt
nc: 1 # number of classes
names: ['unripe citrus'] # 改成自己的类别
五、开始用自己的数据集训练模型
输入命令:
python train.py --img 900 --batch 2 --epoch 100 --data data/ab.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt --device '0'
就可以直接训练我们自己的数据集啦,我最后的运行结果如下:
如果你是采用pycharm右键训练的,记得将batch-size
下调,否则可能会报yolov5训练时报错 OSError: [WinError 1455] 页面文件太小,无法完成操作。 Error loading
的错误
以上是关于YOLOv5解析 | 第二篇:用YOLOv5训练自己的数据集(超级详细完整版)的主要内容,如果未能解决你的问题,请参考以下文章