如何训练自己的数据集？之塔吊吊塔数据集

塔吊识别数据集 yolo格式 共5076张图片 已划分好训练验证 txt格式 yolo可直接使用。 类别：塔吊(Tower-crane) 一种 训练数据已划分，配置文件稍做路径改动即可训练。 训练集： 4724 （正面3224 + 负面1500） 验证集： 1352 （正面902 + 负面450） 另外：含内含模型 识别精度：90%+（内含模型 识别精度：90%+）

 吊塔识别数据集 yolo格式共5076张图片 已划分好训练验证 txt格式 yolo练. 塔吊数据集 txt格式 yolo可直接使用 内含模型 识别精度：90%+

 

数据集概述

该数据集专注于塔吊（Tower-crane）的识别，包含5076张图片，并已按照Yolo格式标注好。数据集已按照训练集和验证集进行了划分，其中训练集包含4724张图片（正面3224张 + 负面1500张），验证集包含1352张图片（正面902张 + 负面450张）。所有标注文件均为.txt格式，可以直接用于Yolo框架下的模型训练。

数据集特点

1. 单一类别：数据集中只包含塔吊这一类别的目标。
2. 明确的数据划分：数据集按照标准的比例划分为训练集和验证集，便于模型训练和性能评估。
3. 适用性强：YOLO格式的标注文件方便使用YOLO框架进行训练，减少了数据预处理的工作量。

数据集内容

• 图像文件：共有5076张JPG/PNG格式的图像文件。
• 标注文件：每张图像都配有YOLO格式的.txt标注文件。

数据集结构示例

假设数据集的根目录为 tower_crane_dataset，其结构可能如下所示：

tower_crane_dataset/
├── images/
│   ├── train/
│   │   ├── positive/
│   │   │   ├── train_positive_0001.jpg
│   │   │   ├── train_positive_0002.jpg
│   │   │   └── ...
│   │   ├── negative/
│   │   │   ├── train_negative_0001.jpg
│   │   │   ├── train_negative_0002.jpg
│   │   │   └── ...
│   ├── val/
│   │   ├── positive/
│   │   │   ├── val_positive_0001.jpg
│   │   │   ├── val_positive_0002.jpg
│   │   │   └── ...
│   │   ├── negative/
│   │   │   ├── val_negative_0001.jpg
│   │   │   ├── val_negative_0002.jpg
│   │   │   └── ...
└── labels_yolo/
    ├── train/
    │   ├── train_positive_0001.txt
    │   ├── train_positive_0002.txt
    │   └── ...
    ├── val/
    │   ├── val_positive_0001.txt
    │   ├── val_positive_0002.txt
    │   └── ...

数据集配置文件 data.yaml

创建一个data.yaml文件来描述您的数据集。这里假设数据集被放置在一个名为tower_crane_dataset的目录中，且包含images和labels子目录。

# data.yaml 文件
train: ../tower_crane_dataset/images/train/
val: ../tower_crane_dataset/images/val/

nc: 1  # number of classes
names: ['Tower-crane']  # class names

关键训练代码

安装YOLOv5和YOLOv8

如果您还没有安装YOLOv5和YOLOv8，请按照官方文档执行以下命令：

# 安装YOLOv5
git clone https://github.com/ultralytics/yolov5.git  # clone repo
cd yolov5
pip install -r requirements.txt  # install dependencies

# 安装YOLOv8
git clone https://github.com/ultralytics/ultralytics.git  # clone repo
cd ultralytics
pip install -r requirements.txt  # install dependencies

使用YOLOv5训练

使用以下命令开始训练模型：

cd yolov5
python train.py --img 640 --batch 16 --epochs 300 --data ../tower_crane_dataset/data.yaml --weights yolov5s.pt --cache

使用YOLOv8训练

使用以下命令开始训练模型：

cd ultralytics
python train.py --img 640 --batch 16 --epochs 300 --data ../tower_crane_dataset/data.yaml --weights yolov8n.pt --cache

自定义训练脚本

如果需要更详细的控制，可以编写一个Python脚本来执行训练过程。以下是一个简单的脚本示例：

import torch
from ultralytics import YOLO  # 使用YOLOv8的API

def main():
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    data_yaml = '../tower_crane_dataset/data.yaml'
    
    # 加载预训练模型
    model = YOLO('yolov8n.pt').to(device)  # 使用YOLOv8n作为基础模型
    
    # 设置训练参数
    epochs = 300
    batch_size = 16
    img_size = 640
    
    # 开始训练
    model.train(data=data_yaml, epochs=epochs, batch=batch_size, imgsz=img_size, device=device)
    
    # 保存模型
    model.save('trained_model.pt')
    print('Training complete.')

if __name__ == '__main__':
    main()

注意事项

• 确保data.yaml文件中的路径是正确的，并且数据集的结构与上面描述的一致。
• 调整批量大小、学习率、迭代次数等超参数以适应您的计算资源和任务需求。
• 如果数据集很大，您可能需要更多的计算资源和时间来完成训练。
• 这个脚本仅作为一个起点，您可能需要根据实际情况做进一步的修改。

测试模型

在训练完成后，您可以使用以下命令测试模型的性能：

# 使用YOLOv5测试
python detect.py --weights runs/train/exp/weights/best.pt --img 640 --conf 0.4 --source ../tower_crane_dataset/images/val/positive/

# 使用YOLOv8测试
python detect.py --weights trained_model.pt --img 640 --conf 0.4 --source ../tower_crane_dataset/images/val/positive/

使用预训练模型进行测试

如果您已经有了训练好的模型权重文件，可以直接使用它来进行测试。假设权重文件名为best.pt，可以使用以下命令：

# 使用YOLOv5测试
python detect.py --weights best.pt --img 640 --conf 0.4 --source ../tower_crane_dataset/images/val/positive/

# 使用YOLOv8测试
python detect.py --weights best.pt --img 640 --conf 0.4 --source ../tower_crane_dataset/images/val/positive/

总结

这个示例展示了如何使用YOLOv5和YOLOv8框架训练一个基于塔吊识别的数据集。您可以根据自己的需求调整脚本中的参数和逻辑。通过使用这个数据集和相应的训练代码，您可以有效地训练出一个能够在多种条件下识别塔吊的模型。