关键词:
yolov5训练coco128数据集和测试与检测
文章目录
参考链接
为YOLOv5搭建COCO数据集训练、验证和测试环境
CoCo数据集下载
YOLOv5 环境搭建、 coco128 训练示例 、 详细记录【一文读懂】
一、coco数据集
1. 简介
MS COCO的全称是Microsoft Common Objects in Context,起源于微软2014年的Microsoft COCO数据集,主要用于目标检测,图像分割,姿态估计等,共有80个类
MSCOCO 是具有80个类别的大规模数据集,其数据分为三部分:训练、验证和测试,每部分分别包含 118287, 5000 和 40670张图片,总大小约25g。其中测试数据集没有标注信息,所以注释部分只有训练和验证的。
关于COCO的测试集:2017年COCO测试集包含〜40K个测试图像。 测试集被分成两个大致相同大小的split约20K的图像:test-dev 和test-challenge。
Test-Dev:test-dev split 是在一般情况下测试的默认测试数据。通常应该在test-dev集中报告论文的结果,以便公正公开比较。
Test-Challenge:test-challenge split被用于每年托管的COCO挑战
2. 下载
(1) 官网
第一种方法肯定是官网,来到下载页面:官网
Images就是数据集,Annotations表示标注信息使用 JSON 格式存储( annotations ), COCO API用于访问和操作所有“标注”进行预处理
不同年份的数据集用在不同的任务上,常用的是2017 train/val/test images
(2) 其他下载方式
CoCo数据集下载
Dataset之COCO数据集:COCO数据集的简介、下载、使用方法之详细攻略
3.解压后的数据
下载后,依据https://github.com/cocodataset/cocoapi 的要求,将图片解压到coco/images/,如下图所示。
下载并按路径要求解压图片
接着下载标注文件annotations_trainval2017.zip,并按cocoapi 的要求,将标注文件解压到coco/annotations/
下载并按路径要求解压标注,其中用于目标检测的是:instances_val2017.json和instances_train2017.json
4. COCO数据集(.json)训练格式转换成YOLO格式(.txt)
详细!正确!COCO数据集(.json)训练格式转换成YOLO格式(.txt)
yolov5的数据集格式 :COCO数据集转换成yolov5训练的数据集格式代码
把下载的coco数据原图放到images目录下,标准文件放在annotatioons下,在coco数据集中,coco2017train或coco2017val数据集中标注的目标(类别)位置在annotations 文件中以 (x, y, width, height) 来进行表示,x,y表示bbox左上角位置,width, height表示bbox的宽和高。而在YOLO训练或者进行验证的时候读取的标注格式是以 (xmin, ymin, xmax, ymax) 来进行表示,xmin, ymin表示bbox左上角位置, xmax, ymax表示bbox右下角位置,并且要求保存为.txt文件格式(名字与image对应)
实现代码如下
#-*-coding:gb2312-*-
#COCO 格式的数据集转化为 YOLO 格式的数据集
#--json_path 输入的json文件路径
#--save_path 保存的文件夹名字,默认为当前目录下的labels。
import os
import json
from tqdm import tqdm
import argparse
parser = argparse.ArgumentParser()
#这里根据自己的json文件位置,换成自己的就行
parser.add_argument('--json_path', default='/home/kandi/datasets/coco/annotations/instances_train2017.json',type=str, help="input: coco format(json)")
#这里设置.txt文件保存位置
parser.add_argument('--save_path', default='/home/kandi/datasets/coco/labels/train2017', type=str, help="specify where to save the output dir of labels")
arg = parser.parse_args()
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = box[0] + box[2] / 2.0
y = box[1] + box[3] / 2.0
w = box[2]
h = box[3]
#round函数确定(xmin, ymin, xmax, ymax)的小数位数
x = round(x * dw, 6)
w = round(w * dw, 6)
y = round(y * dh, 6)
h = round(h * dh, 6)
return (x, y, w, h)
if __name__ == '__main__':
json_file = arg.json_path # COCO Object Instance 类型的标注
ana_txt_save_path = arg.save_path # 保存的路径
data = json.load(open(json_file, 'r'))
if not os.path.exists(ana_txt_save_path):
os.makedirs(ana_txt_save_path)
id_map = # coco数据集的id不连续!重新映射一下再输出!
with open(os.path.join(ana_txt_save_path, 'classes.txt'), 'w') as f:
# 写入classes.txt
for i, category in enumerate(data['categories']):
f.write(f"category['name']\\n")
id_map[category['id']] = i
# print(id_map)
#这里需要根据自己的需要,更改写入图像相对路径的文件位置。
list_file = open(os.path.join(ana_txt_save_path, 'train2017.txt'), 'w')
for img in tqdm(data['images']):
filename = img["file_name"]
img_width = img["width"]
img_height = img["height"]
img_id = img["id"]
head, tail = os.path.splitext(filename)
ana_txt_name = head + ".txt" # 对应的txt名字,与jpg一致
f_txt = open(os.path.join(ana_txt_save_path, ana_txt_name), 'w')
for ann in data['annotations']:
if ann['image_id'] == img_id:
box = convert((img_width, img_height), ann["bbox"])
f_txt.write("%s %s %s %s %s\\n" % (id_map[ann["category_id"]], box[0], box[1], box[2], box[3]))
f_txt.close()
#将图片的相对路径写入train2017或val2017的路径
list_file.write('./images/train2017/%s.jpg\\n' %(head))
list_file.close()
YOLOv5把官方的json格式的标注文件解析成为txt文件,也可从链接下载,然后解压到…/datasets文件夹
二、训练train.py
- train.py:数据加载器旨在兼顾速度和准确性
- val.py:验证(Validation)通常在完成模型训练后,用于测试模型的精度,mAP
- detect.py:旨在真实世界中获得最佳的推理结果。
。
我这里选择 COCO128 上训练 YOLOv5s 模型。预训练权重是从最新的 YOLOv5 版本自动下载的。
python train.py --img 640 --batch 16 --epochs 3 --data coco128.yaml --weights yolov5s.pt
- img:指定训练照片的像素
- batch:单次迭代训练图片数,越大所需内存越大
- epochs:训练轮次
- data:需按照自己的数据集及其位置修改
- weights:权重文件
训练时终端的输入部分日志信息如下:
Class Images Instances P R mAP50 mAP50-95: 50%| | 2/4 00:00
Class Images Instances P R mAP50 mAP50-95: 75%| | 3/4 00:00
Class Images Instances P R mAP50 mAP50-95: 100%|| 4/4 00:00
Class Images Instances P R mAP50 mAP50-95: 100%|| 4/4 00:00
all 128 929 0.748 0.651 0.737 0.487
3 epochs completed in 0.003 hours.
Optimizer stripped from runs/train/exp/weights/last.pt, 14.8MB
Optimizer stripped from runs/train/exp/weights/best.pt, 14.8MB
Validating runs/train/exp/weights/best.pt...
Fusing layers...
Model summary: 157 layers, 7225885 parameters, 0 gradients, 16.4 GFLOPs
Class Images Instances P R mAP50 mAP50-95: 0%| | 0/4 00:00
Class Images Instances P R mAP50 mAP50-95: 25%| | 1/4 00:00
Class Images Instances P R mAP50 mAP50-95: 50%| | 2/4 00:01
Class Images Instances P R mAP50 mAP50-95: 75%| | 3/4 00:02
Class Images Instances P R mAP50 mAP50-95: 100%|| 4/4 00:03
Class Images Instances P R mAP50 mAP50-95: 100%|| 4/4 00:03
all 128 929 0.752 0.651 0.738 0.487
person 128 254 0.871 0.718 0.808 0.528
其中可以看到Validating runs/train/exp/weights/best.pt…,说明在训练阶段每个batch训练结束后,都会调用一次val脚本,进行一次模型的验证。而当整个模型训练结束是,同样再会调用一次这个val脚本。
所有训练结果都保存在runs/train/递增的运行目录中,即runs/train/exp2等runs/train/exp3,训练完成后,在runs->train->exp->weights文件夹下找到last.pt和best.pt文件,其中best.pt是训练效果最好的权重文件,last.pt是训练最后一轮的权重文件
三、验证val.py
- test.py已改为val.py
- train.py:数据加载器旨在兼顾速度和准确性
- val.py:验证(Validation)通常在完成模型训练后,用于测试模型的精度,mAP
- detect.py:旨在真实世界中获得最佳的推理结果。
训练完成后,在runs->train->exp->weights文件夹下找到last.pt和best.pt文件打开val.py运行,进行模型验证。
python val.py --weights runs/train/exp6/weights/best.pt --data coco128.yaml --img 640
四、推理预测detect.py
- train.py:数据加载器旨在兼顾速度和准确性
- val.py:验证(Validation)通常在完成模型训练后,用于测试模型的精度,mAP
- detect.py:旨在真实世界中获得最佳的推理结果。
1. 用coco128训练的模型best.pt来检测
上面我们训练出来的小权重文件best.pt大概14.1M左右,检测的命令如下:
python detect.py --weights runs/train/exp6/weights/best.pt --source data/images/zidane.jpg
检测的结果如下:
2.用yolov5预先训练好的小模型yolov5s.pt
yolov5s.pt大概也是14.1M左右,检测命令如下:
python detect.py --weights weights/yolov5s.pt --source data/images/zidane.jpg
检测结果如下:
3. 用yolov5预先训练好的大模型yolov5x6.pt
yolov5x6.pt约为269M,检测命令如下
python detect.py --weights weights/yolov5x6.pt --source data/images/zidane.jpg
检测的结果如下
从上面3种情况检测得到的置信度值(红色和绿色框上的数值),大权重文件得到的可信度数值越高。
智能驾驶车牌检测和识别《yolov5实现车牌检测(含车牌检测数据集和训练代码)》(代码片段)
智能驾驶车牌检测和识别(二)《YOLOv5实现车牌检测(含车牌检测数据集和训练代码)》目录智能驾驶车牌检测和识别(二)《YOLOv5实现车牌检测(含车牌检测数据集和训练代码)》1.前言2.车牌检... 查看详情
智能驾驶车牌检测和识别《yolov5实现车牌检测(含车牌检测数据集和训练代码)》(代码片段)
智能驾驶车牌检测和识别(二)《YOLOv5实现车牌检测(含车牌检测数据集和训练代码)》目录智能驾驶车牌检测和识别(二)《YOLOv5实现车牌检测(含车牌检测数据集和训练代码)》1.前言2.车牌检... 查看详情
行人检测(人体检测)2:yolov5实现人体检测(含人体检测数据集和训练代码)(代码片段)
行人检测(人体检测)2:YOLOv5实现人体检测(含人体检测数据集和训练代码)目录行人检测(人体检测)2:YOLOv5实现人体检测(含人体检测数据集和训练代码)1.前言2.人体检测数据集说明(1)人体检测数据集(2)... 查看详情
智能驾驶车牌检测和识别《yolov5实现车牌检测(含车牌检测数据集和训练代码)》(代码片段)
智能驾驶车牌检测和识别(二)《YOLOv5实现车牌检测(含车牌检测数据集和训练代码)》目录智能驾驶车牌检测和识别(二)《YOLOv5实现车牌检测(含车牌检测数据集和训练代码)》1.前言2.车牌检... 查看详情
yolov5训练coco数据集
文章目录参考链接一、coco数据集1.简介2.下载参考链接为YOLOv5搭建COCO数据集训练、验证和测试环境CoCo数据集下载一、coco数据集1.简介MSCOCO的全称是MicrosoftCommonObjectsinContext,起源于微软2014年的MicrosoftCOCO数据集,主要用于... 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)
...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xml格式的标签文件转换为txt文件。同时训练自己的yolov5检测模型的时候,数据集需要划分为训练集和验证 查看详情
使用ymir生产基于yolov5的头盔检测模型
使用YMIR生产基于yolov5的头盔检测模型1.概述2.YOLOV5结构解析YOLOV5在coco数据集性能测试图3.算法基本信息动手实测查看训练、测试数据集模型训练启动页面模型运行中性能、进度曲线变化启动训练任务后即可查看训练过程模型发布... 查看详情
目标检测yolov5-7.0:加入实例分割(代码片段)
前言前段时间,YOLOv5推出7.0版本,主要更新点是在目标检测的同时引入了实例分割。目前,YOLOv5团队已经转向了YOLOv8的更新,因此,7.0版本大概率是YOLOv5的最终稳定版。更新信息官方公告中给出了YOLOv5-7.0的更... 查看详情
yolov5训练自己的数据集(缺陷检测分类——看了就懂系列)(代码片段)
这里记录一下将yolov5用于训练自己的数据集,这里v5的github地址Environment本文是直接pipinstall-rrequirement.txt直接安装成功,如果不容易成功,就一个个安装即可。如果出现报错,多关注一下torch的版本即可。Datapreparati... 查看详情
博客3:yolov5车牌识别实战教程:模型训练与评估(代码片段)
摘要:本篇博客将详细介绍如何使用YOLOv5进行车牌识别模型的训练与评估。我们将搭建训练环境、准备数据、配置模型参数、启动训练过程,以及使用验证集评估模型性能。车牌识别视频正文:3.1搭建训练环境 首先,我们需... 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
使用mmdetection3.x训练自定义数据集和类别(代码片段)
使用MMDetection3.x训练自定义数据集和类别1.安装2.训练2.1准备数据和配置文件2.2训练2.3测试3.评价指标(EvaluationMetrics)3.1目标检测评估(DetectionEvaluation)3.1.1计算Precision和Recall3.1.2通过P-R曲线计算AP3.2COCO上物体检测器的性能指... 查看详情
yolov5详细解读(代码片段)
YOLOV5检测算法详解学习前言本文主要是对基于深度学习的目标检测算法进行细节解读,以YOLOV5为例;基于深度学习的目标检测整体流程基于深度学习的目标检测主要包括训练和测试两个部分。训练阶段训练的目的是利用... 查看详情
智能生活垃圾检测与分类系统(ui界面+yolov5+训练数据集)(代码片段)
...测和计数,以协助垃圾环保分类处理。本文详细介绍基于YOLOv5算法的智能生活垃圾检测与分类系统,在介绍算法原理的同时,给出Python的实现代码、PyQt的UI界面以及训练数据集。在界面中可以选择各种图片、视频进行检测识别,... 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
完整目标检测项目流程——从使用labelimg标注到使用yolov5训练测试(代码片段)
完整目标检测项目流程——从使用LabelImg标注到使用YOLOv5训练测试大家好呀,虽然前面已经有两篇,分别使用FasterRCNN和YOLOv3进行目标检测的项目了,但是!相信大家应该也和我一样觉得远远不够吧!而且前面... 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
使用mmdetection3.x训练自定义数据集和类别(代码片段)
使用MMDetection3.x训练自定义数据集和类别1.安装2.训练2.1准备数据和配置文件2.2训练2.3测试3.评价指标(EvaluationMetrics)3.1目标检测评估(DetectionEvaluation)3.1.1计算Precision和Recall3.1.2通过P-R曲线计算AP3.2COCO上物体检测器的性能指... 查看详情