YOLOV5训练自己的数据集教程（万字整理，实现0 |
您所在的位置：网站首页 › yolov5里testpy程序怎么改 › YOLOV5训练自己的数据集教程（万字整理，实现0 |
YOLOV5训练自己的数据集教程（万字整理，实现0
|
文章目录 一、YOLOV5下载地址 二、版本及配置说明 三、初步测试 四、制作自己的数据集及转txt格式 1、数据集要求 2、下载labelme 3、安装依赖库 4、labelme操作 五、.json转txt、.xml转txt 六、修改配置文件 1、coco128.yaml->ddjc_parameter.yaml 2、yolov5x.yaml->ddjc_model.yaml 八、调train和detect的参数并开始训练 1、在train.py，寻找函数def parse_opt(known=False)，更改参数 2、train运行结果 3、在detect.py，寻找函数def parse_opt()，更改参数 YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。YOLOv5是Glenn Jocher等人研发，它是Ultralytics公司的开源项目。YOLOv5根据参数量分为了n、s、m、l、x五种类型，其参数量依次上升，当然了其效果也是越来越好。从2020年6月发布至2022年11月已经更新了7个大版本，在v7版本中还添加了语义分割的功能。 一、YOLOV5下载地址GitHub官方下载（推荐）：https://github.com/ultralytics/yolov5 二、版本及配置说明 我是用cpu训练的，如果有条件的可以使用gpu进行训练，训练速度会相差10倍。当然，用gpu下载pytorch的时候要下载cuda版本。我采用的是Anaconda+Pycharm的配置，大家要了解一些关于pip和conda的指令，方便管理包和环境。当我们下好yolov5后，可以发现有一个requirements.txt文件，使用Anaconda Prompt，切换到Yolov5的位置，pip install -r requirements.txt即可一步到位全部下完。下面是requirements.txt文件的内容。 # YOLOv5 requirements # Usage: pip install -r requirements.txt # Base ---------------------------------------- matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.1 Pillow>=7.1.2 PyYAML>=5.3.1 requests>=2.23.0 scipy>=1.4.1 # Google Colab version torch>=1.7.0 torchvision>=0.8.1 tqdm>=4.41.0 protobuf=2.4.1 # wandb # Plotting ------------------------------------ pandas>=1.1.4 seaborn>=0.11.0 # Export -------------------------------------- # coremltools>=4.1 # CoreML export # onnx>=1.9.0 # ONNX export # onnx-simplifier>=0.3.6 # ONNX simplifier # scikit-learn==0.19.2 # CoreML quantization # tensorflow>=2.4.1 # TFLite export # tensorflowjs>=3.9.0 # TF.js export # openvino-dev # OpenVINO export # Extras -------------------------------------- ipython # interactive notebook psutil # system utilization thop # FLOPs computation # albumentations>=1.0.3 # pycocotools>=2.0 # COCO mAP # roboflows 三、初步测试配置完成后，运行detect.py，如果一切正常，那么可以在runs/detect/exp中能发现被处理过的标签，就成功了，如果没有显示下图，那么可能是有的库的版本不对应，可以根据报错提示用pip uninstall 包后下载相应版本，要多试，因为有的库与库之间是相互联系的。
我的数据集为跌倒检测方面的，有1000张，上千张时处理后效果较好。 在yolov5中新建一个ddjc的文件夹，包含以下文件夹：
这个是对图片进行标注的工具 下载地址：GitHub - labelmeai/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation). - labelmeai/labelme 下载压缩包后解压即可。 3、安装依赖库在Anaconda Prompt里安装pyqt5和labelme，pyqt5是labelme的依赖项。 pip install pyqt5 pip install labelme 4、labelme操作然后在Anaconda Prompt里输入labelme，打开界面如下，右击，点击rectangle，即画矩形框，框选你要识别训练的东西。
框选之后输入标签的名字，注意，可以框选多个作为标签。框选完一张图后保存，然后接着下一张图。保存的文件格式是.json 五、.json转txt、.xml转txtyolov5只识别txt，所以要将标注后的数据集转化为txt。 转换的时候可能会有问题，可以移步我的这篇博客统计XML文件内标签的种类和其数量及将xml格式转换为yolov5所需的txt格式-CSDN博客 我用的是公开的数据集，格式为.xml，转换时也遇到了目录和无法统计标签的过程，但都得以解决。 在你设置好的绝对路径下新建转换py文件，代码为： .xml-txt import xml.etree.ElementTree as ET import pickle import os from os import listdir, getcwd from os.path import join import glob classes = ['fall', 'no fall', 'no fall', 'nofall'] def convert(size, box): dw = 1.0 / size[0] dh = 1.0 / size[1] x = (box[0] + box[1]) / 2.0 y = (box[2] + box[3]) / 2.0 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_name): in_file = open('./labels/train1/' + image_name[:-3] + 'xml') # xml文件路径 out_file = open('./labels/train/' + image_name[:-3] + 'txt', 'w') # 转换后的txt文件存放路径 f = open('./labels/train1/' + image_name[:-3] + 'xml') xml_text = f.read() root = ET.fromstring(xml_text) f.close() size = root.find('size') w = int(size.find('width').text) h = int(size.find('height').text) for obj in root.iter('object'): cls = obj.find('name').text if cls not in classes: print(cls) 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)) bb = convert((w, h), b) out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n') wd = getcwd() if __name__ == '__main__': for image_path in glob.glob("./images/train/*.jpg"): # 每一张图片都对应一个xml文件这里写xml对应的图片的路径 image_name = image_path.split('\\')[-1] convert_annotation(image_name).json-txt import json import os name2id = {'hero':0,'sodier':1,'tower':2}#标签名称 def convert(img_size, box): dw = 1. / (img_size[0]) dh = 1. / (img_size[1]) x = (box[0] + box[2]) / 2.0 - 1 y = (box[1] + box[3]) / 2.0 - 1 w = box[2] - box[0] h = box[3] - box[1] x = x * dw w = w * dw y = y * dh h = h * dh return (x, y, w, h) def decode_json(json_floder_path, json_name): txt_name = 'C:\\Users\\86189\\Desktop\\' + json_name[0:-5] + '.txt' #存放txt的绝对路径 txt_file = open(txt_name, 'w') json_path = os.path.join(json_floder_path, json_name) data = json.load(open(json_path, 'r', encoding='gb2312',errors='ignore')) img_w = data['imageWidth'] img_h = data['imageHeight'] for i in data['shapes']: label_name = i['label'] if (i['shape_type'] == 'rectangle'): x1 = int(i['points'][0][0]) y1 = int(i['points'][0][1]) x2 = int(i['points'][1][0]) y2 = int(i['points'][1][1]) bb = (x1, y1, x2, y2) bbox = convert((img_w, img_h), bb) txt_file.write(str(name2id[label_name]) + " " + " ".join([str(a) for a in bbox]) + '\n') if __name__ == "__main__": json_floder_path = '' #存放json的文件夹的绝对路径 json_names = os.listdir(json_floder_path) for json_name in json_names: decode_json(json_floder_path, json_name)转换完成后的txt文件：
第一个数字是数据集中第0个种类，其余均是与坐标相关的值。有几个标签就有几个种类。 六、修改配置文件 1、coco128.yaml->ddjc_parameter.yaml在yolov5/data/coco128.yaml中先复制一份，粘贴到ddjc中，改名为ddjc_parameter.yaml（意义为ddjc的参数配置） ddjc_parameter.yaml文件需要修改的参数是nc与names。nc是标签名个数，names就是标签的名字，跌倒检测有4个标签，标签名字都如下：['fall', 'no fall', 'no fall', 'nofall']
路径解释：如何正确使用机器学习中的训练集、验证集和测试集？-CSDN博客 2、yolov5x.yaml->ddjc_model.yamlyolov5有4种配置，不同配置的特性如下，我选择yolov5x，效果较好，但是训练时间会很长。
在yolov5/models先复制一份yolov5x.yaml到ddjc，更名为ddjc_model.yaml（意为模型），只将如下的nc修改为标签的个数。
修改处的解释： 我们训练的初始权重的位置，是以.pt结尾的文件训练模型文件，在本项目中对应ddjc_model.yaml；数据集参数文件，在本项目中对于ddjc_parameter.yaml；超参数设置，是人为设定的参数。包括学习率，不用改；训练轮数，决定了训练时间与训练效果。如果选择训练模型是yolov5x.yaml，那么大约200轮数值就稳定下来了（收敛），我设置的50轮，因为这大概已经需要25h的时间了；批量处理文件数，这个要设置地小一些，否则会out of memory。这个决定了我们训练的速度图片大小，虽然我们训练集的图片是已经固定下来了，但是传入神经网络时可以resize大小，太大了训练时间会很长，且有可能报错，这个根据自己情况调小一些；断续训练，如果说在训练过程中意外地中断，那么下一次可以在这里填True，会接着上一次runs/exp继续训练GPU加速，填0是电脑默认的CUDA，前提是电脑已经安装了CUDA才能GPU加速训练，安装过程可查博客，填cpu就是用gpu进行训练。多线程设置，越大读取数据越快，但是太大了也会报错，因此也要根据自己状况填小。 2、train运行结果
结果保存在runs/train/exp中，多次训练就会有exp1、exp2，我这里训练到第五轮了。
best.pt和last.pt是我们训练出来的权重文件，用于detect.py。last是最后一次的训练结果，best是效果最好的训练结果（只是看起来，但是泛化性不一定强）。 3、在detect.py，寻找函数def parse_opt()，更改参数 parser = argparse.ArgumentParser() parser.add_argument('--weights', nargs='+', type=str, default=ROOT /'runs/train/exp7/weights/last.pt', help='model path(s)') # 修改处 权重文件 parser.add_argument('--source', type=str, default=ROOT /'wzry/datasets/images/test/SVID_20210726_111258_1.mp4', help='file/dir/URL/glob, 0 for webcam')# 修改处 图像、视频或摄像头 parser.add_argument('--data', type=str, default=ROOT / 'ddjc/ddjc_parameter.yaml', help='(optional) dataset.yaml path') # 修改处 参数文件 parser.add_argument('--imgsz', '--img', '--img-size', nargs='+', type=int, default=[640], help='inference size h,w') # 修改处 高 宽 parser.add_argument('--conf-thres', type=float, default=0.50, help='confidence threshold') # 置信度 parser.add_argument('--iou-thres', type=float, default=0.45, help='NMS IoU threshold')# 非极大抑制 parser.add_argument('--max-det', type=int, default=1000, help='maximum detections per image') parser.add_argument('--device', default='cpu', help='cuda device, i.e. 0 or 0,1,2,3 or cpu') # 修改处运行结果在runs/detect/exp中。 九、我训练过程中存在并调试好的一些问题 请移步：YOLOv5训练过程中的各种报错-CSDN博客 希望能帮到大家，若需要数据集和训练好的模型，请留言。
|
https://github.com/wkentaro/labelme
【本文地址】
今日新闻 |
推荐新闻 |