Yolo v5 训练自己的数据集 |
您所在的位置：网站首页 › yolov5 数据集划分 › Yolo v5 训练自己的数据集 |
Yolo v5 训练自己的数据集
|
Yolo v5 训练自己的数据集
前言
感谢各位大佬尤其是，博主：深度学习菜鸟，参考原文链接https://blog.csdn.net/qq_36756866/article/details/109111065 本文仅用于记录调试过程，若侵犯了您的隐私请联系作者删除，感谢！！！ 一、准备阶段环境：官方要求Python>=3.8 and PyTorch>=1.6 本文 Pytorch：1.6.0 Cuda：10.0 Python：3.7 源代码下载：https://github.com/ultralytics/yolov5.git 创建虚拟环境，并通过pip install -r requirements.txt安装依赖包。 二、制作数据集 1 建立数据文件夹mydata在yolov5目录下创建mydata文件夹（名字可以自定义），目录结构如下，将之前labelImg标注好的xml文件和图片放到对应目录下 mydata …images # 存放图片 …Annotations # 存放图片对应的xml文件 …ImageSets/Main #之后会在Main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（无后缀.jpg） 示例如下： mydata文件夹下内容如下： 运行代码后，在Main文件夹下生成下面四个txt文档： 在yolov5目录下创建voc_label.py文件，将训练集、验证集、测试集生成label标签（训练中要用到），同时将数据集路径导入txt文件中，代码内容如下： # -*- coding: utf-8 -*- import xml.etree.ElementTree as ET import os from os import getcwd sets = ['train', 'val', 'test'] classes = ["cup","can","sprinkling","bottle"] # 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('mydata/Annotations/%s.xml' % (image_id), encoding='UTF-8') out_file = open('mydata/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 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('mydata/labels/'): os.makedirs('mydata/labels/') image_ids = open('mydata/ImageSets/Main/%s.txt' % (image_set)).read().strip().split() list_file = open('mydata/%s.txt' % (image_set), 'w') for image_id in image_ids: list_file.write(abs_path + '/mydata/images/%s.jpg\n' % (image_id)) convert_annotation(image_id) list_file.close()上述代码可以把数据集格式转换成yolo_txt格式，即将每个xml标注提取bbox信息为txt格式（这种数据集格式成为yolo_txt格式），每个图像对应一个txt文件，文件每一行为一个目标的信息，包括class, x_center, y_center, width, height格式。格式如下： 注意：运行voc_label.py时报错“ZeroDivisionError: float division by zero”的原因是：标注文件中存在width为0或者height为0的数据，检查修改后可解决。 3 配置文件 3.1 数据集的配置在yolov5目录下的data文件夹下新建一个mydata.yaml文件（可以自定义命名），用来存放训练集和验证集的划分文件（train.txt和val.txt），这两个文件是通过运行voc_label.py代码生成的，然后是目标的类别数目和具体类别列表，mydata.yaml内容如下： 注意：mydata.yaml文件中train和val通过train.txt和val.txt指定，若在训练时报错，则检查冒号后面是否有空格，若没有会被认为是字符串而不是字典，引发报错。 3.2 编辑模型配置文件在yolov5/model文件夹下是模型的配置文件，提供s、m、l、x版本，随着架构的增大，训练时间也是逐渐增大，假设采用yolov5s.yaml，只用修改一个参数，把nc改成自己的类别数： 运行train.py之前需要修改几个参数，如下： 以上参数解释如下： epochs：指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点。 batch-size：一次看完多少张图片才进行权重更新，梯度下降的mini-batch,显卡不行你就调小点。 cfg：存储模型结构的配置文件 data：存储训练、测试数据的文件 img-size：输入图片宽高,显卡不行你就调小点。 rect：进行矩形训练 resume：恢复最近保存的模型开始训练 nosave：仅保存最终checkpoint notest：仅测试最后的epoch evolve：进化超参数 bucket：gsutil bucket cache-images：缓存图像以加快训练速度 weights：权重文件路径 name： 重命名results.txt to results_name.txt device：cuda device, i.e. 0 or 0,1,2,3 or cpu adam：使用adam优化 multi-scale：多尺度训练，img-size +/- 50% single-cls：单类别的训练集 4.2训练过程可视化利用tensorboard可视化训练过程，训练开始会在yolov5目录生成一个runs文件夹，利用tensorboard打开即可查看训练日志，命令如下： tensorboard --logdir=runs 5 遇到的问题1、 detect文件报错有关SPPF 修改方法：在models中的common中加上下面的代码 class SPPF(nn.Module): # export-friendly version of nn.SiLU() @staticmethod def forward(x): return x * torch.sigmoid(x)2、训练时出现找不到标签文件 修改方法：首先检查mydata文件夹写的名称是否按照要求建立，按要求建立依旧报错：则将标签文件与图像文件一起放在Images中。 |
Annotations文件夹下面为xml文件（标注工具采用labelImage），内容如下： 
images为数据集格式中的JPEGImages，内容如下： 
ImageSets文件夹下面有个Main子文件夹，其下面存放训练集、验证集、测试集的划分，通过脚本生成，可以创建一个split_train_val.py文件，代码内容如下：
参考（https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data#2-create-labels） 代码运行后会生成如下labels文件夹和三个包含数据集的txt文件，其中labels中为不同图像的标注文件，train.txt等txt文件为划分后图像所在位置的绝对路径，如train.txt就含有所有训练集图像的绝对路径。 
三个txt文件里面的内容如下： 
至此，自定义数据集已创建完毕，接下来就是训练模型了。
【本文地址】
今日新闻 |
推荐新闻 |