首页 > 其他分享> 文章详细

使用YoloV5训练和测试自己的数据集

2020-12-21 19:02:06 阅读：893 来源： 互联网

标签：YoloV5 训练 image yolov5 train 测试 txt data find

软硬件配置：Ubuntu + Tesla-m40 + cuda10.2 + anconda

一、环境部署

1、源码下载

https://github.com/ultralytics/yolov5

2、环境配置

创建虚拟环境

source create -n yolov5 python=3.7

激活虚拟环境

source activate yolov5

安装依赖库（cd到yolov5根目录requirements.txt下）

pip install -r requirements.txt

or 清华镜像源

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt

windows可能会出现以下错误：

ERROR: Could not find a version that satisfies the requirement torch>=1.6.0 (from -r requirements.txt (line 12)) (from versions: 0.1.2, 0.1.2.post1, 0.1.2.post2)
ERROR: No matching distribution found for torch>=1.6.0 (from -r requirements.txt (line 12))

原因是pytorch和torchvision的下载需要翻墙，我们需另外下载
附pytorch和torchvision网盘链接：
链接：https://pan.baidu.com/s/1Rm69ehzWaVAXmbXk4LND6w
提取码：sd3m
Ubuntu上一切很顺利，不知道pytorch的安装是不是和系统有关
还素比较简单滴，集成好的依赖库就是香啊

二、训练yolov5

1、准备数据集

数据存放位置和数据结构
在这里插入图片描述
（1）新建如上图所示的文件夹，文件名要一致
（2）在JPEGImages中存放原图（可不用，只是为了保证完整格式）
（3）在image中存放原图
（4）在Annotations中存放xml格式的标签文件，每个xml文件对应JPEGImages的一张图片
（5）在ImageSets的Main文件夹下存放train.txt、val.txt 、trainval.txt、test.txt。分别存放的是训练集、验证集、训练集加验证集、测试集的图片名称，只包含名称不包含后缀和路径。这四个文件需要使用脚本生成。

import os
import random
trainval_percent = 0.8 # 训练集和验证集所占比例，剩下的0.2是测试集比例
train_percent = 0.8 # 训练集所占比例
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')
for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

trainval_percent = 0.8，train_percent = 0.8，可自己进行调整
（6）在labels中存放txt格式的标签信息，可用脚本读取Annotations生成txt

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets = ['train', 'test','val']
classes = ['corner']
def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / 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_id):
    in_file = open('data/Annotations/%s.xml' % (image_id))
    out_file = open('data/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))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
print(wd)
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write('data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

2、修改文件

（1）修改数据集方面的yaml文件
打开yolov5/data/coco.yaml
在这里插入图片描述
修改红框中的标签信息和蓝框中的路径
（2）修改网络参数方面的yaml文件
打开yolov5/models/yolov5l.yaml
yolov5s -> yolov5m -> yolov5l -> yolov5sx. 网络层数越深，宽度越宽

修改红框中的标签信息
也可以将anchor换成符合自己数据集的尺寸
（3）修改train中的一些参数
在这里插入图片描述可自行调整红框中的参数和路径
（据自身体验，img_size = 640效果最好）

3、训练模型

python train.py

等待~~~~~
模型保存在yolov5/runs/exp/weights，保存有best.pt和last.pt
在这里插入图片描述

三、检测模型

1、将需要检测的图片放在一个文件夹，修改yolov5/detect.py
在这里插入图片描述
黄框：模型路径
绿框：测试图片路径
蓝框：结果保存路径
2、可修改yolov5/utils/datasets.py，读取test.txt的检测图片路径进行检测

将黄框替换成红框即可

----------------------------------------------end----------------------------------------------------------

标签：YoloV5,训练,image,yolov5,train,测试,txt,data,find
来源： https://blog.csdn.net/qq_37874136/article/details/111475485

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9