正文

目标检测yolov5跑通voc2007数据集(修复版)(代码片段)

zstar-_  zstar-_  2023-03-15  627

关键词：

前言

在【目标检测】YOLOv5跑通VOC2007数据集一文中，我写了个脚本来提取VOC中Segmentation划分好的数据集，但是经过观察发现，这个train.txt中仅有209条数据，而VOC2007的图片有9963张，这意味着大量的图片被浪费，没有输入到模型中进行训练。

因此，本篇就来重新修改数据集处理的流程，以解决这一问题。

数据集划分

我处理的思路是直接根据图片来进行划分，不用管ImageSets这个文件夹的信息。

在根目录下创建split_data.py

import os
import random

img_path = 'D:/Dataset/VOC2007/images/'  # 图片文件夹路径(最后斜杠不要漏)
label_path = 'D:/Dataset/VOC2007/'  # 生成划分数据路径
img_list = os.listdir(img_path)
train_ratio = 0.8  # 训练集比例
val_ratio = 0.1  # 验证集比例
shuffle = True  # 是否随机划分


def data_split(full_list, train_ratio, val_ratio, shuffle=True):
    n_total = len(full_list)
    train_set_num = int(n_total * train_ratio)
    val_set_num = int(n_total * val_ratio)
    if shuffle:
        random.shuffle(full_list)
    train_set = full_list[:train_set_num]
    val_set = full_list[train_set_num:(train_set_num + val_set_num)]
    test_set = full_list[(train_set_num + val_set_num):]
    return train_set, val_set, test_set


if __name__ == '__main__':
    train_set, val_set, test_set = data_split(img_list, train_ratio, val_ratio, shuffle=True)

    with open(label_path + 'train.txt', 'w') as f:
        for img_name in train_set:
            f.write(img_name.split('.jpg')[0] + '\\n')

    with open(label_path + 'val.txt', 'w') as f:
        for img_name in val_set:
            f.write(img_name.split('.jpg')[0] + '\\n')

    with open(label_path + 'test.txt', 'w') as f:
        for img_name in test_set:
            f.write(img_name.split('.jpg')[0] + '\\n')

这里我设置训练集/验证集/测试集的比例为：8：1：1，并且划分时进行可随机打乱，如有需要可以进行修改。

运行之后，在数据集文件夹下生成划分好的数据：

标签转换

和【目标检测】YOLOv5跑通VOC2007数据集文中一样，我们可以依旧采用之前的脚本进行转换，不同的是数据划分集的指向路径发生变化。
在根目录下新建voc2yolo.py文件

import xml.etree.ElementTree as ET
import os

sets = ['train', 'test', 'val']
Imgpath = 'D:/Dataset/VOC2007/images/'
xmlfilepath = 'D:/Dataset/VOC2007/Annotations/'
ImageSets_path = 'D:/Dataset/VOC2007/'
Label_path = 'D:/Dataset/VOC2007/'
classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]



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(xmlfilepath + '%s.xml' % (image_id))
    out_file = open(Label_path + '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')


for image_set in sets:
    if not os.path.exists(Label_path + 'labels/'):
        os.makedirs(Label_path + 'labels/')
    image_ids = open(ImageSets_path + '%s.txt' % (image_set)).read().strip().split()
    list_file = open(Label_path + '%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write(Imgpath + '%s.jpg\\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

运行之后，数据集文件下生成对应的labels，并且数据集指向发生变化。

训练准备

在data文件夹下新建mydata.yaml

train: D:/Dataset/VOC2007/train.txt
val: D:/Dataset/VOC2007/val.txt
test: D:/Dataset/VOC2007/test.txt

# number of classes
nc: 20

# class names
names: [ 'aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable', 'dog', 'horse', 'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor' ]

数据的指向修改为自己的路径。

剩下的步骤和前文一样。

目标检测yolov5跑通visdrone数据集(代码片段)

...据集VisDrone和遥感数据集xView，这反映了官方也是在小目标检测中在偷偷发力。这篇博文就来记录如何用YOLOv5跑通VisDrone数据集。数据集我已上传到网盘里，有需要的读者可以进行下载：https://pan.baidu.com 查看详情

目标检测小脚本：数据集划分(代码片段)

需求内容之前写了一篇【目标检测】YOLOv5跑通VOC2007数据集里面写了个脚本是将xml标注格式转换称Yolo格式，同时读取数据集划分。在训练自己的数据时，我发现没有现成的数据集划分文件，于是就写了这个小脚本来读... 查看详情

笔记2：yolov5训练自己的目标检测模型_创建并划分数据集(代码片段)

目标检测---数据集格式转化及训练集和验证集划分_didiaopao的博客-CSDN博客1、我们经常从网上获取一些目标检测的数据集资源标签的格式都是VOC(xml格式)的，而yolov5训练所需要的文件格式是yolo(txt格式)的，这里就需要对x... 查看详情

动手学cv-目标检测入门教程2：voc数据集(代码片段)

3.2目标检测数据集VOC本文来自开源组织DataWhale🐳CV小组创作的目标检测入门教程。对应开源项目《动手学CV-Pytorch》的第3章的内容，教程中涉及的代码也可以在项目中找到，后续会持续更新更多的优质内容，欢迎... 查看详情

动手学cv-目标检测入门教程2：voc数据集(代码片段)

voc数据集目标检测(代码片段)

最近在做与目标检测模型相关的工作,很多都要求VOC格式的数据集.PASCALVOC挑战赛（ThePASCALVisualObjectClasses）是一个世界级的计算机视觉挑战赛,PASCAL全称：PatternAnalysis,StaticalModelingandComputationalLearning，是一个由欧盟资助的网络组织。... 查看详情

[数据集][voc][目标检测]西瓜数据集目标检测可用yolo训练-1702张介绍

数据集名称：高质量西瓜目标检测数据集数据集地址：数据集VOC格式目标检测数据集西瓜数据集-1702张-数据集文档类资源-CSDN下载数据集介绍：数据集格式：PascalVOC格式(不包含分割路径的txt文件和yolo格式的txt文件... 查看详情

深度学习和目标检测系列教程17-300：3个类别面罩检测类别数据集训练yolov5s模型(代码片段)

@Author：RunsenYOLO是目前最火爆的的计算机视觉算法之一，今天使用的数据集来源：https://www.kaggle.com/andrewmvd/face-mask-detection这是数据集可以创建一个模型来检测戴口罩、不戴口罩或不正确戴口罩的人。该数据集包含... 查看详情

paddle学习赛——钢铁目标检测（yolov5ppyoloe+，faster-rcnn）(代码片段)

文章目录一、赛事简介二、ppyoloe+l模型，41.32分（PaddleDetection-voc）2.1安装PaddleDetection2.2数据预处理2.2.1解压数据集2.2.2自定义数据集(感觉很麻烦，暂时放弃）2.2.3准备VOC数据集（直接用这个）2.3修改... 查看详情

[数据集][voc]高质量的目标检测数据集合集（持续更新）

【1】【数据集名称】数据集VOC正版消防灭火器数据集VOC格式-5156张【数据集信息】数据集格式：PascalVOC格式(仅包含jpg图片和对应的xml)图数量(jpg文件个数xml文件个数)：5156标注类别数：1标注类别名称:["fe"]每个类... 查看详情

目标检测实战教程01-使用labelimg标注目标检测数据集|voc转coco数据集(代码片段)

目标检测实战教程01-使用labelimg标注目标检测数据集|voc转COCO数据集b站视频演示：B站视频教学对图像进行编号将收集到的图像进行编号方便统一管理，编号代码如下importospath="E:\\\\image1"filelist=os.listdir(path)#该... 查看详情

深度学习目标检测：yolov5实现车辆检测(含车辆检测数据集+训练代码)(代码片段)

深度学习目标检测：YOLOv5实现车辆检测(含车辆检测数据集+训练代码) 目录YOLOv5实现车辆检测(含车辆检测数据集+训练代码)1.前言2.车辆检测数据集说明（1）车辆检测数据集（2）自定义数据集3.基于YOLOv5... 查看详情

深度学习目标检测：yolov5实现车辆检测(含车辆检测数据集+训练代码)(代码片段)

目标检测yolov5跑xview数据集/小样本检测策略实验(代码片段)

前言在YOLOv5的6.1版本新出了xView.yaml数据配置文件，提供了遥感数据集xView的检测方法。此篇就使用YOLOv5来试跑xView数据集，并对一些小样本检测的策略进行消融实验。xView数据集下载：https://github.com/zstar1003/Dataset数据... 查看详情

[数据集][voc][目标检测]人脸表情识别目标检测数据集3.2w张介绍

...纵观全网来看你只能搜到图像分类的数据集，找不到目标检测数据集，我想用yolo训练咋办？因此我们需要用labelImg去标注人脸表情数据集作为yolo训练，为了解决目前voc格式的人脸表情识别的检测数据集短缺问题&#x... 查看详情

使用python将dota数据集的格式转换成voc2007数据集的格式(代码片段)

...;文件夹ImageSets中存放的是图像划分的集合的txt文件，目标查看详情

使用python将dota数据集的格式转换成voc2007数据集的格式(代码片段)

...;文件夹ImageSets中存放的是图像划分的集合的txt文件，目标查看详情

voc2007数据集详细分析(代码片段)

VOC数据集官网链接→http://host.robots.ox.ac.uk/pascal/VOC/。 VOC2007数据集官网链接→http://host.robots.ox.ac.uk/pascal/VOC/voc2007/index.html。 VOC2007数据集百度网盘链接→提取码：z8sd。VOC2007数据集分析： VOC2007数据集有20个... 查看详情