YOLOV5训练标准数据集

已于 2023-09-23 22:19:00 修改
阅读量1k 收藏 8
点赞数 1
分类专栏： YOLO 文章标签： YOLO
于 2023-09-23 13:44:01 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Loadingplease/article/details/133178165
版权

文章目录

前言

第一次接触Yolov5有点懵，对于小白的我根本不知道从何入手，上网查阅了大量资料和视频，才勉强使用Yolov5训练出了VOC标准数据集的结果，在Yolov5环境搭建的过程中出现了很多问题，在这里我将自己获得的经验分享给大家，电脑显卡为GTX 1650 4GB。

一、安装cuda和miniconda

1.安装cuda

使用win+r快捷键打开运行窗口，输入cmd调出命令提示符，在命令提示符窗口中输入以下命令查看自己的电脑支持的最高cuda版本。

nvidia-smi

在这里插入图片描述
我的电脑最高支持cuda12.2，但是由于到目前为止pytorch稳定版支持的最高cuda版本为11.8，因此在这里我下载的版本为cuda11.8。
以下为cuda11.8的下载地址：
https://developer.nvidia.com/cuda-11-8-0-download-archive
安装路径以及安装选项选择默认即可；安装完成以后使用在命令提示符窗口中输入nvcc-V可以查看安装版本。

2.安装miniconda并配置环境变量

1） 安装miniconda

打开miniconda下载地址：https://docs.conda.io/projects/miniconda/en/latest/，
下载Python3.8版本对应的miniconda windows安装包，安装时可以选择默认路径也可以自定义路径。

在这里插入图片描述
在这里插入图片描述

2） miniconda环境变量配置

win+i 搜索高级系统设置，打开环境变量。
在这里插入图片描述
在系统变量中的Path下添加以下三个路径：
在这里插入图片描述
在这里我将miniconda安装在了E盘的Miniconda下，需要根据自己的安装路径进行更改。

二、创建虚拟环境和安装Pytorch

1. 创建虚拟环境

在开始菜单中找到anaconda Prompt并打开，输入以下命令创建Python3.8版本的虚拟环境，yolov5为虚拟环境的名称。

conda create -n yolov5 python==3.8

使用“activate+环境名”激活虚拟环境。

activate yolov5

使用以下命令可以查看Python环境,激活后的环境前会被✳号标记。

conda env list

在这里插入图片描述

2. 安装pytorch

打开pytorch的下载地址：https://pytorch.org/ ，按照相应的cuda版本进行选择
在这里插入图片描述
复制以下命令在 Anaconda Prompt命令窗口中跳转到虚拟环境下运行安装pytorch

pip install torch torchvision torchaudio --index-url http://download.pytorch.org

在这里插入图片描述

三、 Pycharm和yolov5模型环境配置

1. PyCharm下载

下载Pycharm安装包，安装在c盘以外的文件夹。

在这里插入图片描述

以下的选项全部勾上，点击 Next 等待安装完成并激活。

在这里插入图片描述

2. yolov5模型环境配置

yolov5模型代码下载地址：https://github.com/ultralytics/yolov5/tree/v5.0
yolov5下载完成以后解压，右键选择PyCharm打开
在这里插入图片描述
打开以后右键点击右下角python版本，选择添加解释器
在这里插入图片描述
将虚拟环境yolov5下的python.exe添加到项目解释器中，点击OK等待添加完成。
在这里插入图片描述
在这里插入图片描述
添加完成以后可以看到右下角显示带有虚拟环境的python版本
在这里插入图片描述

将yolov5-master中的requirements.txt文件复制到虚拟环境yolov5根目录下，在PyCharm终端窗口中使用cd命令跳转到虚拟环境所在位置，运行pip install -r requirements.txt，安装环境运行所依赖的包，等待安装完成。

在这里插入图片描述

四、 VOC数据集的划分以及参数文件配置

1. VOC数据集划分

VOC标准数据集下载地址：https://pjreddie.com/projects/pascal-voc-dataset-mirror/
链接：https://pan.baidu.com/s/1fX4auvyyZh_7qe0YUca7cA?pwd=akky 提取码：akky
将下载好的VOC数据放到yolov5目录下，对以下代码主要修改以下两个路径

    in_file = open('E:/Download/yolov5-master/VOCdevkit/VOC2012/Annotations/%s.xml' % image_id) # xml路径
    out_file = open('E:/Download/yolov5-master/VOCdevkit//VOC2012/YOLOLabels/%s.txt' % image_id, 'w')

数据集划分完整代码如下：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import random
from shutil import copyfile

classes = ['aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable', 'dog',
        'horse', 'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor'] # 划分的类别，依实际情况而定
# classes=["ball"]

TRAIN_RATIO = 80  # 训练集与数据集划分的比例


def clear_hidden_files(path):
    dir_list = os.listdir(path)
    for i in dir_list:
        abspath = os.path.join(os.path.abspath(path), i)
        if os.path.isfile(abspath):
            if i.startswith("._"):
                os.remove(abspath)
        else:
            clear_hidden_files(abspath)


def convert(size, box): # 边界框的转换
    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('E:/Download/yolov5-master/VOCdevkit/VOC2012/Annotations/%s.xml' % image_id) # xml路径
    out_file = open('E:/Download/yolov5-master/VOCdevkit//VOC2012/YOLOLabels/%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')
    in_file.close()
    out_file.close()


wd = os.getcwd()
wd = os.getcwd()
data_base_dir = os.path.join(wd, "VOCdevkit/")
if not os.path.isdir(data_base_dir):
    os.mkdir(data_base_dir)
work_sapce_dir = os.path.join(data_base_dir, "VOC2012/")
if not os.path.isdir(work_sapce_dir):
    os.mkdir(work_sapce_dir)
annotation_dir = os.path.join(work_sapce_dir, "Annotations/")
if not os.path.isdir(annotation_dir):
    os.mkdir(annotation_dir)
clear_hidden_files(annotation_dir)
image_dir = os.path.join(work_sapce_dir, "JPEGImages/")
if not os.path.isdir(image_dir):
    os.mkdir(image_dir)
clear_hidden_files(image_dir)
yolo_labels_dir = os.path.join(work_sapce_dir, "YOLOLabels/")
if not os.path.isdir(yolo_labels_dir):
    os.mkdir(yolo_labels_dir)
clear_hidden_files(yolo_labels_dir)
yolov5_images_dir = os.path.join(data_base_dir, "images/")
if not os.path.isdir(yolov5_images_dir):
    os.mkdir(yolov5_images_dir)
clear_hidden_files(yolov5_images_dir)
yolov5_labels_dir = os.path.join(data_base_dir, "labels/")
if not os.path.isdir(yolov5_labels_dir):
    os.mkdir(yolov5_labels_dir)
clear_hidden_files(yolov5_labels_dir)
yolov5_images_train_dir = os.path.join(yolov5_images_dir, "train/")
if not os.path.isdir(yolov5_images_train_dir):
    os.mkdir(yolov5_images_train_dir)
clear_hidden_files(yolov5_images_train_dir)
yolov5_images_test_dir = os.path.join(yolov5_images_dir, "val/")
if not os.path.isdir(yolov5_images_test_dir):
    os.mkdir(yolov5_images_test_dir)
clear_hidden_files(yolov5_images_test_dir)
yolov5_labels_train_dir = os.path.join(yolov5_labels_dir, "train/")
if not os.path.isdir(yolov5_labels_train_dir):
    os.mkdir(yolov5_labels_train_dir)
clear_hidden_files(yolov5_labels_train_dir)
yolov5_labels_test_dir = os.path.join(yolov5_labels_dir, "val/")
if not os.path.isdir(yolov5_labels_test_dir):
    os.mkdir(yolov5_labels_test_dir)
clear_hidden_files(yolov5_labels_test_dir)

train_file = open(os.path.join(wd, "yolov5_train.txt"), 'w')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'w')
train_file.close()
test_file.close()
train_file = open(os.path.join(wd, "yolov5_train.txt"), 'a')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'a')
list_imgs = os.listdir(image_dir)  # list image files
prob = random.randint(1, 100)
print("Probability: %d" % prob)
for i in range(0, len(list_imgs)):
    path = os.path.join(image_dir, list_imgs[i])
    if os.path.isfile(path):
        image_path = image_dir + list_imgs[i]
        voc_path = list_imgs[i]
        (nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path))
        (voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path))
        annotation_name = nameWithoutExtention + '.xml'
        annotation_path = os.path.join(annotation_dir, annotation_name)
        label_name = nameWithoutExtention + '.txt'
        label_path = os.path.join(yolo_labels_dir, label_name)
    prob = random.randint(1, 100)
    print("Probability: %d" % prob)
    if (prob < TRAIN_RATIO):  # train dataset
        if os.path.exists(annotation_path):
            train_file.write(image_path + '\n')
            convert_annotation(nameWithoutExtention)  # convert label
            copyfile(image_path, yolov5_images_train_dir + voc_path)
            copyfile(label_path, yolov5_labels_train_dir + label_name)
    else:  # test dataset
        if os.path.exists(annotation_path):
            test_file.write(image_path + '\n')
            convert_annotation(nameWithoutExtention)  # convert label
            copyfile(image_path, yolov5_images_test_dir + voc_path)
            copyfile(label_path, yolov5_labels_test_dir + label_name)
train_file.close()
test_file.close()

数据集划分代码来自：https://blog.csdn.net/weixin_53001080/article/details/130731845

2. 权重文件下载

权重文件下载地址：https://github.com/ultralytics/yolov5/releases
链接：https://pan.baidu.com/s/1g-MPFF9AozVIusGI5BmXKA?pwd=40n4 提取码：40n4

在选择所需要的权重文件进行下载，在这里我选择的是yolov5s.pt，下载并移动到yolov5-master目录下

在这里插入图片描述

3. 参数文件配置

1）在yolov5-master/data目录下新建data.yaml,配置 训练集和验证集图片的路径，以及图片的分类标签。在这里插入图片描述

data.yaml代码如下：

 # train images (relative to 'path')  16551 images
train: E:/Miniconda/envs/yolov5/yolov5-master/DateSet/VOC/images/train
# val images (relative to 'path')  4952 images
val: E:/Miniconda/envs/yolov5/yolov5-master/DateSet/VOC/images/val
# Classes
names: ['aeroplane','bicycle','bird','boat','bottle','bus','car','cat','chair','cow','diningtable',
        'dog','horse','motorbike','person','pottedplant','sheep','sofa',': train','tvmonitor']

2）修改models目录下的的yolov5s.yaml模型参数，只需要修改NC参数，NC为图片分类个数
在这里插入图片描述
3）配置train.py，主要修改以下参数

–weight： 权重
–cfg： 训练模型配置
–data： 训练数据配置

    parser.add_argument('--weights', type=str, default= 'yolov5s.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='model.yaml path')
    parser.add_argument('--data', type=str, default= 'data/data.yaml', help='dataset.yaml path')

batch-size默认值为16，运行过程出现显卡内存不足时可以设置为“-1”，让程序自动选择批量处理大小。
–epochs： 训练轮次
–batch-size： 批量处理大小

    parser.add_argument('--epochs', type=int, default=50, help='total training epochs')
    parser.add_argument('--batch-size', type=int, default=-1, help='total batch size for all GPUs, -1 for autobatch')

配置完成以后在PyCharm终端中运行以下代码激活虚拟环境并运行train.py函数进行模型训练，没有激活虚拟环境的话，训练过程不会调用GPU

activate yolov5
python train.py

在这里插入图片描述

出现以下内容等待训练完成即可。
在这里插入图片描述

Jokey__
关注
  • 1
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
用YOLOv5训练自己的目标检测数据集（以口罩检测为例）
cxzgood的博客
05-07 9889
运行YOLOv5首先需要安装深度学习环境，教程请看安装pytorch深度学习环境（GPU版）。 YOLOv5的代码在GitHub上是开源的GitHub - ultralytics/yolov5，利用其代码实现自己的目标检测需求，需要2个步骤：1.准备数据集；2.配置代码参数，训练模型；3.预测。以下笔者将带大家一步步实现自己的目标检测模型训练。 一、准备数据集 1.1 收集图片 我们根据自己的需求收集相关图片，在这里以口罩识别为例。我们从网上收集到一些...
Yolov5 Windows环境配置，显卡GTX 1650
Crazy_rabbit_jia的博客
05-03 6811
yolov5安装教程，并运行
Yolo-v5模型训练速度，与GeForce的AI算力描述
最新发布
含光左卫的工作笔记集
06-04 547
GeForce RTXTM 3070 Ti 和 RTX 3070 显卡采用第 2 代 NVIDIA RTX 架构 - NVIDIA Ampere 架构。该系列产品搭载专用的第 2 代 RT Core ，第 3 代 Tensor Core、全新的 SM 多单元流处理器以及高速显存，助您在高性能要求的游戏中所向披靡。3090量化到FP32，使用官方的Pytorch跑，完整的60 classes coco数据集一个是18.04小时。Coco训练集大概是12万张图片，60 classes.
用YOLOv5训练自己的数据集（VOC格式）
m0_70654337的博客
10-26 198
按照labelimg软件要求进行标注，此次项目数据已标好，按照软件要求存放照片和标注文件（xml），检查一下标注效果。生成4个txt文件，每个文件存储有不同图片的名称。使用脚本检查数据集的标注类别及其他信息。
yolov5训练自己的VOC数据集
qq_46223426的博客
05-17 4103
yolov5训练自己的VOC数据集 此笔记基于yolov5的3.1版本，其他版本修改对应文件即可 一、下载 1.下载yolov5源码 在github yolov5官方仓库下载yolov5源码 仓库地址：ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite (github.com) git镜像下载指令：git clone https://hub.fastgit.xyz/ultralytics/yolov5.git
YOLOv5-训练自己的VOC格式数据集（VOC、自建数据集、负样本、没有xml、LabelImg）
Le0v1n 的博客
10-18 3386
YOLOv5-训练自己的VOC格式数据集 Key Word：YOLOv5-训练自己的VOC格式数据集（VOC、自建数据集、负样本、没有xml、LabelImg）
YOLOv5训练自己的voc数据集
qq_52053775的博客
07-19 3322
查看yolov5的配置文件coco.yaml和coco128.yaml，yolov5数据集可以有两种形式，download部分完全没用，不要复制另一种就是将训练集、测试集、验证集图片路径直接写入txt文件中，复制coco.yaml，路径修改为自己的txt文件、种类数量、名称都要改为自己的数据。...
yolov5识别数据集
05-20
1. 准备数据：将"yolov5识别数据集"按照PaddleDetection要求的格式进行整理，包括XML或JSON等标注文件。 2. 配置模型：根据需求选择YOLOv5的不同变体（如YOLOv5s, YOLOv5m, YOLOv5l等），并配置训练参数。 3. 训练...
动物检测，yolov5数据集
06-16
数据集是训练深度学习模型的基础，这个“动物检测，yolov5数据集”包含训练集和验证集，共7000多张图片，每张图片都带有标签。这些标签通常以JSON或其他标注格式存在，详细指定了每只动物的位置（通过边界框坐标）和...
yolov5 - 铁轨枕木螺丝识别数据集
11-13
本文将深入探讨"yolov5 - 铁轨枕木螺丝识别数据集"，这是一个专为训练和测试YOLOv5模型而构建的图像识别数据集，目标是能够准确地定位并识别铁轨枕木上的螺丝。数据集包括两大部分：图片（images）和相关的标注信息...
python yolov5 训练数据集 无人机航拍数据集合 人工智能 深度学习 目标检测 目标识别
05-26
Python YOLOv5训练数据集是专门为无人机航拍图像的目标检测和识别任务设计的一份数据集合，它结合了人工智能、深度学习领域的最新技术。在本文中，我们将深入探讨YOLOv5框架、无人机航拍数据的特点、目标检测的原理...
YOLOv5扑克牌数据集
04-10
YOLOv5扑克牌数据集是一个专为训练和评估YOLOv5模型设计的特定对象检测数据集。这个数据集包含扑克牌图像，且已经过精心标注，以便于机器学习模型学习识别扑克牌。YOLO（You Only Look Once）是一种流行的实时目标...
YOLOv5训练自己的数据集
一个努力写代码的小菜鸟，目前主要从事图像算法，目标检测/分割，模型量化与部署的工作
11-15 2577
yolov5
YOLOv5训练自己的数据集（超详细完整版）
sinat_22510827的博客
03-29 8919
一.Requirements 本教程所用环境：代码版本V3.0，源码下载地址：https://github.com/ultralytics/yolov5.git Pytorch：1.6.0 Cuda：10.1 Python：3.7 官方要求Python>=3.8 and PyTorch>=1.6. 通过git clone https://github.com/ultralytics/yolov5.git将YOLOv5源码下载到本地，创建好虚拟环境，并通过pip install -r requir
【零基础玩转yolov5】yolov5训练自己的数据集（CPU训练+GPU训练）
热门推荐
罅隙的博客
10-04 2万+
2022年最新最全的yolov5训练自己的数据集教程，零基础的小白也可以快速上手。
YOLOv5-6.1从训练到部署（二）：训练自己的数据集
TANTANWANG的博客
12-10 1566
使用YOLOv5训练自己的数据集
入手3060显卡真香，却不知如何配置YOLOv5环境？
zZwx123的博客
04-10 5767
最近刚入手联想的r9000p/3060系列笔记本，作为学生党使用真香~ 但随之而来的问题就是由于硬件导致一些软件环境搭建十分繁琐，本人在学习机器视觉时需要借助YOLOv5来进行预训练，AI圈都知道深度学习跑起来需要NVIDIA显卡，但是3060显卡却不知如何正确匹配对应版本的pytorch，匹配之后YOLOv5依然无法正常运行到想要的结果。就以上问题，本人在此发表一篇博客，希望对各位读者起到一定帮助，同时作为以后自己搭建的参考。 1、进行YOLOv5训练的第一步就是配置一个虚拟环境（默认读者已..
YOLOv7目标检测（RTX 3050显卡）环境配置基础教程
Liangwan0315的博客
05-10 2079
安装Anaconda主要是搭建python的虚拟环境，之后我们进行yolov7的detect和train都会在终端进行；安装教程：b站较好的安装视频教程：P1有幸遇见-b站最全最简洁易学的深度学习环境配置教程Anaconda+Pycharm+CUDA+CUdnn+PyTorch+Tensorflow_哔哩哔哩_bilibili。
（linux）yolov5/v3-pytorch目标检测2：训练自己的数据集，gpu，pycharm, RTX2080ti，单/多显卡训练，笔记
chao_xy的博客
03-11 874
（linux）yolov5/v3-pytorch目标检测2：训练自己的数据集，gpu，pycharm, RTX2080ti，单/多显卡训练。yolov3和yolov5可以使用相同环境配置，数据集和yaml文件通用，训练步骤相同。
YOLOv5训练视屏数据集
09-10
训练YOLOv5模型使用视频数据集的方法是先将视频分解成一系列帧图像，然后对每个图像进行标注。标注的目的是为了给每个图像中的物体添加边界框和类别标签，以便模型能够学习物体的位置和类别信息。 具体步骤如下： 1. 将视频分解成一系列帧图像，并保存为图像文件。 2. 对每个帧图像进行目标检测标注，即给每个图像中的物体添加边界框和类别标签。可以使用标注工具，如LabelImg或RectLabel等，手动标注物体。 3. 将标注的图像和对应的标签保存为YOLOv5模型可训练的数据集的标准格式，一般是txt文件。每个标签文件包含了与图像对应的所有物体的边界框坐标和类别标签。 4. 使用YOLOv5训练代码，加载视频数据集，设置模型和训练参数，并开始训练模型。训练过程中，模型会根据标注数据逐步学习物体的位置和类别信息。 5. 训练完成后，可以使用训练好的YOLOv5模型对新的视频数据集进行物体检测。 这是一种基本的方法，具体的实现细节可能会根据实际情况而有所不同。在实际操作中，还可以根据需要对数据集进行数据增强、数据集划分、模型选择等进一步优化和改进。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值