关键词:
大家好,我是K同学啊!
我们接着上一篇文章 YOLOv5解析 | 第一篇:快速部署YOLOv5模型 配置完YOLOv5需要的环境后,今天我们试着用YOLOv5训练自己的数据。(在开始本教程前,记得先跑一遍入门篇,确保其他环境是正常的)
有图有真相,先看看我昨天的运行结果
【YOLOv5 源码地址】
🚀 我的环境:
- 语言环境:Python3.8
- 编译器:PyCharm
- 深度学习环境:
- torch==1.10.0+cu113
- torchvision==0.11.1+cu113
- 显卡:GeForce RTX 3080
文章目录
一、准备好自己的数据
我的目录结构是这样子的
- 主目录
- paper_data(自己创建一个文件夹,将数据放到这里)
- Annotations(放置我们的.xml文件)
- images(放置图片文件)
- ImageSets
- Main(会在该文件夹内自动生成 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)
- paper_data(自己创建一个文件夹,将数据放到这里)
你将会看如下的目录结构:
Annotations文件夹为xml文件,我的文件如下:
我images文件位.png格式,官方的为.jpg,不过问题不大后面改一下代码即可(后面会讲解)
二、运行 split_train_val.py 文件
ImageSets文件夹下面有个Main子文件夹,其下面存放了 train.txt、val.txt、test.txt 和 trainval.txt 四个文件,它们是通过 split_train_val.py
文件来生成的。
split_train_val.py
文件的位置如下:
split_train_val.py
的内容如下:
# coding:utf-8
import os
import random
import argparse
parser = argparse.ArgumentParser()
#xml文件的地址,根据自己的数据进行修改 xml一般存放在Annotations下
parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')
#数据集的划分,地址选择自己数据下的ImageSets/Main
parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 1.0
train_percent = 0.9
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
os.makedirs(txtsavepath)
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
for i in list_index:
name = total_xml[i][:-4] + '\\n'
if i in trainval:
file_trainval.write(name)
if i in train:
file_train.write(name)
else:
file_val.write(name)
else:
file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()
运行 split_train_val.py
文件后你将得到 train.txt、val.txt、test.txt 和 trainval.txt 四个文件,结果如下:
注:如何修改数据集中训练集、验证集、测试集的比例? 请参考:
三、运行 voc_label.py 文件
先看看我们要生成的文件位置
开始办事,现在我们需要的是 voc_label.py
文件,其位置如下:
voc_label.py
文件的内容如下:
# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ["unripe citrus"] # 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('./Annotations/%s.xml' % (image_id), encoding='UTF-8')
out_file = open('./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))
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('./labels/'):
os.makedirs('./labels/')
image_ids = open('./ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
list_file = open('./%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write(abs_path + '/images/%s.png\\n' % (image_id)) # 注意你的图片格式,如果是.jpg记得修改
convert_annotation(image_id)
list_file.close()
运行 voc_label.py
文件,你将会得到上面截图中 train.txt、test.txt、val.txt三个文件,文件内容如下:
四、创建 ab.yaml 文件
这个文件名是我随意取的,这个可以做出改变的哈
ab.yaml
文件的位置如下:
我的 ab.yaml
文件内容如下:
#path: ../datasets/coco # dataset root dir
train: ./paper_data/train.txt # train images (relative to 'path') 118287 images
val: ./paper_data/val.txt # train images (relative to 'path') 5000 images
#test: test-dev2017.txt
nc: 1 # number of classes
names: ['unripe citrus'] # 改成自己的类别
五、开始用自己的数据集训练模型
输入命令:
python train.py --img 900 --batch 2 --epoch 100 --data data/ab.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt --device '0'
就可以直接训练我们自己的数据集啦,我最后的运行结果如下:
如果你是采用pycharm右键训练的,记得将batch-size
下调,否则可能会报yolov5训练时报错 OSError: [WinError 1455] 页面文件太小,无法完成操作。 Error loading
的错误
yolov5解析|第三篇:如何改进yolov5?(代码片段)
大家好,我是K同学啊!在前面的文章YOLOv5解析|第二篇:用YOLOv5训练自己的数据集(超级详细完整版)中我们介绍了使用训练自己的数据集。这一篇文章,我将带大家一起解析YOLOv5的6.0版本结构并改进模型&... 查看详情
用yolov5ds训练自己的数据集,注意点!
这两天打算使用YOLOv5做一下实例分割,找到用YOLOv5ds训练自己的数据集——同时检测和分割_2021黑白灰的博客-CSDN博客_yolov5图像分割Yolov5同时进行目标检测和分割分割_LeeCW2022的博客-CSDN博客_yolov5分割这两篇文章当参考... 查看详情
用yolov5ds训练自己的数据集——同时检测和分割(代码片段)
...常感谢作者midasklr的开源项目!源码地址:midasklr/yolov5ds:multi-taskyolov5withdetectionandsegmentation(github.com)https://github.com/midasklr/yolov5ds关于作者:CSDN:MidasKing的博客_CSDN博客-目标检测,python,opencv领域博主GitHub:midasklr(g... 查看详情
[课程][原创]yolov5安装标注训练自己数据集windows版
搞定系列:yolov5训练自己数据集windows版课程地址:搞定系列:yolov5训练自己数据集windows版--深度学习视频教程-人工智能-CSDN程序员研修院开会员学更多课程课程介绍课程目录讨论留言你将收获1、学会如何搭建yolov5环... 查看详情
图像识别之yolov5训练自己的模型(代码片段)
图像识别之Yolov5训练自己的模型文章目录图像识别之Yolov5训练自己的模型一、前言二、对图像进行标注三、数据集的划分四、配置训练的文件1、修改yolov5l.yaml配置文件2、修改coco128.yaml配置文件五、开始训练六、训练结果呈现1、... 查看详情
深度学习100例|第53天:用yolov5训练自己的数据集(超级详细完整版)(代码片段)
...接着上一篇文章深度学习100例|第51天-目标检测算法(YOLOv5)(入门篇)配置完YOLOv5需要的环境后,今天我们试着用YOLOv5训练自己的数据。 查看详情
yolov5坐标相关的判断与转换,评价指标,训练结果解析
文章大纲工程化实现为什么推荐yolov5yolo坐标归一化像素坐标转yoloyolo坐标转像素坐标yolov5坐标的输出,抠图评价指标训练与模型优化参考文献与学习路径工程化实现为什么推荐yolov5可以看看下面的issue,这是我在使用中发现的,y... 查看详情
yolov5坐标相关的判断与转换,评价指标,训练结果解析
文章大纲工程化实现为什么推荐yolov5yolo坐标归一化像素坐标转yoloyolo坐标转像素坐标yolov5坐标的输出,抠图评价指标训练与模型优化参考文献与学习路径工程化实现为什么推荐yolov5可以看看下面的issue,这是我在使用中发现的,y... 查看详情
[课程][原创]使用yolov5训练自己实例分割模型windows版
搞定系列:yolov5训练自己的实例分割模型windows版课程地址:搞定系列:yolov5训练自己的实例分割模型windows版--深度学习视频教程-人工智能-CSDN程序员研修院14节节数课程介绍课程目录讨论留言你将收获学会安装yolov5环境学会转... 查看详情
yolox训练自己的数据(代码片段)
前言:此文是我从yolov5替换到yolox训练的过程,前提是我们有图片和标注文件,而且都是yolov5的txt格式的;之前在网上看了一圈,怎么用自己的数据训练yolox模型,都是需要把标注文件整理成voc格式或coco数... 查看详情
yolox训练自己的数据(代码片段)
前言:此文是我从yolov5替换到yolox训练的过程,前提是我们有图片和标注文件,而且都是yolov5的txt格式的;之前在网上看了一圈,怎么用自己的数据训练yolox模型,都是需要把标注文件整理成voc格式或coco数... 查看详情
yolox训练自己的数据(代码片段)
前言:此文是我从yolov5替换到yolox训练的过程,前提是我们有图片和标注文件,而且都是yolov5的txt格式的;之前在网上看了一圈,怎么用自己的数据训练yolox模型,都是需要把标注文件整理成voc格式或coco数... 查看详情
深度学习目标检测---使用yolov5训练自己的数据集模型(windows系统)(代码片段)
目录0 前言1、从githab上克隆yolov5代码1.1yolov5网络project克隆1.2项目代码结构的整体介绍1.3深度学习环境的配置和安装yolov5所需要的库2、数据集和预训练权重的准备2.1利用labelimg对数据进行标注和划分2.2下载预训练权重 3、训练... 查看详情
零基础玩转yolov5yolov5训练自己的数据集(最新最全版)(代码片段)
...六、训练结果可视化一、写在前面 博主也是最近开始玩yolov5的,甚至也是最近开始使用python的ÿ 查看详情
yolov5全面解析教程⑥:模型训练流程详解
作者 | Fengwen、BBuf 欢迎Star、试用One-YOLOv5:https://github.com/Oneflow-Inc/one-yolov51结构项目预览 2安装git clone https://github.com/Oneflow-Inc/one-yolov5 # clonecd one-yolov5pip install -r requirements.txt # install3训练两种训练方式带权重训练... 查看详情
深度学习100例|第53天:用yolov5训练自己的数据集(超级详细完整版)(代码片段)
...接着上一篇文章深度学习100例|第51天-目标检测算法(YOLOv5)(入门篇)配置完YOLOv5需要的环境后,今天我们试着用YOLOv5训练自己的数据。(在开始本教程前,记得先跑一遍入门篇,确保其他环境是... 查看详情
yolov5的tricks|trick13yolov5的detect.py脚本的解析与简化(代码片段)
如有错误,恳请指出。在之前介绍了一堆yolov5的训练技巧,train.py脚本也介绍得差不多了。之后还有detect和val两个脚本文件,还想把它们总结完。在之前测试yolov5训练好的模型时,用detect.py脚本简直不要太方便ÿ... 查看详情
yolov5全面解析教程②:如何制作训练效果更好的数据集(代码片段)
撰文| Fengwen,BBuf本文主要介绍One-YOLOv5使用的数据集格式以及如何制作一个可以获得更好训练效果的数据集。本节教程的数据集标准部分翻译了Ultralytics/YOLOv5wiki中对数据集相关的描述(https://github.com/ultralytics/yolov5/wiki/Tips-for-Best-Tra... 查看详情