YOLOv7训练自己的数据集(超详细）

Posted 2023-04-12 Mr Dinosaur

介绍

2022年7月，YOLOv7来临， 论文链接：https://arxiv.org/abs/2207.02696

代码链接：

GitHub - WongKinYiu/yolov7: Implementation of paper - YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors

废话不多说，赶紧上车！

文件配置

1、数据集

自己创建一个myself.yaml文件用来配置路径，路径格式与之前的V5、V6不同，只需要配置txt路径就可以

 train-list.txt和val-list.txt文件里存放的都是图片的绝对路径（也可以放入相对路径）

 如何获取图像的绝对路径，脚本写在下面了（也可以获取相对路径）

# From Mr. Dinosaur

import os


def listdir(path, list_name):  # 传入存储的list
    for file in os.listdir(path):
        file_path = os.path.join(path, file)
        if os.path.isdir(file_path):
            listdir(file_path, list_name)
        else:
            list_name.append(file_path)


list_name = []
path = 'D:/PythonProject/data/'  # 文件夹路径
listdir(path, list_name)
print(list_name)

with open('./list.txt', 'w') as f:  # 要存入的txt
    write = ''
    for i in list_name:
        write = write + str(i) + '\\n'
    f.write(write)

2、train.py

官网下载模型文件，train.py文件只支持YOLOv7和YOLOv7-X模型

train文件还是和V5一样，为了方便，我将需要用到的文件放在了根目录下

路径修改完之后右击运行即可

3、train_aux.py

如果你想使用较大的预训练模型，请使用train_aux.py进行训练，否则效果会很差（本人亲测）

下面放上对比图：（上面V7，下面V5）

--weights

下载位置在官网的GitHub上（我是用的是yolov7-d6-training.pt）

--cfg

请使用cfg-training-中的模型文件

 --hyp

文件夹data-hyp.scratch.p6.yaml

 运行train_aux.py

效果对比

在此放上YOLOv7和YOLOv5的对比图：（左V7，右V5）

报错解决

YOLOv7 训练报错 IndexError: list index out of range_Mr Dinosaur的博客-CSDN博客https://blog.csdn.net/qq_58355216/article/details/125842647?spm=1001.2014.3001.5501

 评价

无论是训练的速度、还是精度、召回和map的提升，V7的表现都是十分显著的，称得上是YOLO界的扛把子，期待作者之后的优化和更新。

YOLOv8发布

官网的YOLOv8最近开始发布，效果要比V7更快更准，训练和测试方法已写好，感兴趣的小伙伴快动手操作一下 

YOLOv8训练自己的数据集https://blog.csdn.net/qq_58355216/article/details/128671030?spm=1001.2014.3001.5501

深入浅出Yolov5之自有数据集训练超详细教程

除了本文，大白还整理了如何深入浅出人工智能行业，算法、数据、目标检测、论文创新点、求职等版块的内容，可以查看：点击查看。

此外本文章Yolov5相关的代码、模型、数据等内容，可以查看下载：点击查看。

当然下方也列出了，如何通过官方链接的方式，下载的过程，也可以查看。

1 下载Yolov5代码及模型权重

1.1 下载Yolov5代码

登录github链接：https://github.com/ultralytics/yolov5，下载完整的代码。

1.2 下载Yolov5模型权重

在Yolov5模型权重页面，https://github.com/ultralytics/yolov5/releases

在下方选择相应的Yolov5各个pt权重文件。

放在Yolov5代码的models文件夹中。

2 下载一系列的依赖库

按照yolov5代码中requirements.txt中的说明，下载一系列的依赖库

3 对于推理功能进行测试

先使用预训练的模型，对于图片进行推理测试，看看效果。

修改detect.py里面的weights的路径，增加前面的models文件夹的路径。

运行结束后，可以在运行结果看到信息：

打开runs/detect/exp可以看到推理得到的结果：

4 使用自有数据进行训练

4.1 数据&脚本&训练代码

大白为了让大家从0基础，就可以学会训练，准备了三个文件。

（1）data：人头数据集

为了便于大家学习，大白准备了一个教室场景下的人头数据集，放在data/head/classroom文件夹中。

数据集中，JPEGImages有4361张图片，Annotations有4361张xml文件。

（2）train_code：数据处理脚本

在train_code文件夹中，有三个python文件，主要使用的是get_labels.py和main.py两个脚本。

get_labels.py脚本，可以直接获取Annotations文件夹中，所有标注文件的标注类别。

而main.py脚本，可以将之前标注文件和图像，进行处理，转换成Yolov5可以训练的格式。

（3）yolov5-master：训练代码

这个文件夹里面就是Yolov5的训练测试代码，大家也可以直接使用大白提供的Yolov5代码。

4.2 查看自有数据集中的类别数

打开train_code/get_labels.py，修改下方的人头数据集路径。

运行后，在下方就可以看到类别数，以及标注的类别框的数量。

4.3 转换训练数据格式

（1）新建数据集转换文件夹

首先在data文件夹里面，新建一个head_train_data文件夹。

并在head_train_data文件夹中，新建一个images_label_split文件夹。

并将前面的classroom数据集，直接拷贝到images_label_split里面。

（2）main.py脚本处理：配置修改

打开train_code/main.py文件，修改训练数据的路径。

在前面通过get_labels.py脚本，我们也知道了当前数据集的类别数，比如主要是“head”，将该类别填入label_list中。

而main.py文件主要分为三个部分的功能：数据集的清洗、训练集&验证集划分、xml转换txt格式。

（3）main.py脚本处理：数据集清洗

数据集的清洗使用的主要是这些行的代码。

有的数据集有图片，没有标注文件。有的数据集有标注文件，图片有可能丢失。

同时将长宽比太小的框删除掉，并且在删除后，检查下是否存在空的标注文件，如果有，也删除。

并在最后，将标注的框显示到图片上，进一步确定脚本是否正确。

运行上面的代码，最后会跳出来一些画了人头框的图片。

（4）main.py脚本处理：训练集&验证集划分

训练集&验证集划分的代码主要是这一行代码。

0.2表示，80%的数据进行训练，20%的数据进行验证。

运行结束后，会发现head_train_data这个文件夹下面多了两个文件夹，train和test，就是按照80%、20%进行划分。

（5）main.py脚本处理：：xml转换txt格式

xml转换成txt格式的代码主要是下面三行。

运行结束后，可以看到多了两个文件夹。

image_txt文件夹中是所有的image和转换完的txt文件、

而train_test_txt文件夹中，则是对于训练和测试数据路径汇总的两个txt，后面训练中会用到。

4.4 Yolov5代码训练

4.4.1 修改训练配置

（1）新建一个yaml文件

因为是训练人头数据集，所以在data文件夹下先新建一个head.yaml文件，并修改其中的参数。

可以复制一个coco.yaml文件进行修改，其中主要涉及到训练集的txt文件、验证集的txt文件、类别数量nc、类别标签名。

（2）修改train.py参数

① 修改models里面的weights路径，大白下载了一些pt文件放在models中，可以选择使用。

② 修改cfg路径，即网络结构的参数配置文件，需要注意的是，需要修改其中的类别数。

③ 修改data的路径，即前面修改的head.yaml文件。

4.4.2 开始训练

运行train.py文件，既可以开始训练。

可以看到网络收敛的很快。

4.4.3 训练结果测试

网络训练到一段时间后，可以使用detect.py脚本对于训练的模型，进行测试了，不过需要修改是三个参数：

① weights：即前面训练好得到的权重文件

② source：即需要检测的图片数据集

③ data：修改成head.yaml

运行detect.py文件后，可以在runs/detect/exp最后一个文件夹中得到检测的效果图片：

以上就是Yolov5的详细训练过程，其中每一步大白都是经过详细的测试的，可以下载对应的代码、权重，进行尝试。