yolov5训练数据集

一：yolov5的安装

这里我直接链接到另一位博主的文章：

【精选】yolov5/yolov3训练自己的数据集（超详细，细的有点烦）_yolo数据集_吴青峰-CDP的博客-CSDN博客

二：标注数据集

准备自己喜欢的图片作为数据集进行标注，将未标注的图片放入image文件夹中，在data文件夹里新建一个dataset文件夹、一个labels文件夹用于后续使用。dataset用来存放打好标签的数据集，labels用于存放未打标签的。

如下图：

这里我准备到是猫的图片

在data文件夹里新建两个文件夹

建好文件夹后我们来进行数据的标注，先来安装标注工具，labelimg

打开终端输入 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple,点击回车。嫌慢的可以加上镜像网站。

安装完后我们直接输入labelimg回车打开，会弹出一个界面，我们可以利用这个工具对数据进行标注。

接下来我们先完成对工具的基本设置：

这里跟着步骤来，也可以使用快捷键。找到电脑上的W  A  S  D 键；W可进行标注，S表示上一张，D表示下一张

这里说一下标注原则，像这种不规则物体，需要将它每个轮廓都包含到，并且边紧挨着框。

对所有的图片打好标签后，会在dataset里生成多个xml文件，注意这里的文件生成个数与你打的标签个数是一样的，你可以用来检查你是否每张图片都打好了标签。

三：数据预处理与源代码修改

接下来我们来对数据进行预处理操作：

我们需要在yolov5工程目录下新建两个.py程序，split.py   ，  xml_to_txt.py  

split.py里面写这些代码。注意看下面的file文件有4个，复制的时候不要弄错，还可以检查稍后生成都文件数量。

import os
import random
import argparse
parser = argparse.ArgumentParser()
parser.add_argument('--xml_path', default='data/dataset', type=str, help='input xml label path')
parser.add_argument('--txt_path', default='data/labels', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 1.0
train_percent = 0.8
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()

代码写好后运行。如果运行后没看到txt文件，去自己data下的labels文件夹里看，会有。在软件里显示会比较慢。

接下来创建xml_to_txt.py  

代码写这个。注意这个classes里面写的cat，这里是我要训练的标签名字，把这里改成自己的。比如你要训练大熊猫就写panda

import xml.etree.ElementTree as ET
from tqdm import tqdm
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ['cat']  # 这里改为你要训练的标签，否则会报错。比如你要识别“hand”，那这里就改为hand


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):
    # try:
    in_file = open('data/dataset/%s.xml' % (image_id), encoding='utf-8')
    out_file = open('data/labels/%s.txt' % (image_id), 'w', encoding='utf-8')
    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')


# except Exception as e:
#     print(e, image_id)

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

运行之后。如果运行后没看到txt文件，去自己data下的labels文件夹里看，会有。在软件里显示会比较慢。我这里有13个txt文件。

接下来在data下创建myvoc.yaml文件，新建--文件。我这是中文版，英文版一样，

好了代码就写完了，接下来可以开始训练了

四：训练自己的数据集

打开终端：

打开yolov5，输入下面这段代码：

 python train.py --epoch 300 --batch 3 --data ./data/myvoc.yaml --cfg ./models/yolov5s.yaml --weight ./weights/yolov5s.pt --workers 0

这里我停止了才出现这种，我这里有299个在训练，等它慢慢训练。

最后训练结束后会出现一个last.py文件，在你文件里去找到。这里我就用其他人都截图代替一下

同样出自上面博主的文章。

在文件夹里找到它的位置，直接复制到weights中，

这样我们就完成了模型训练

五：检测

我们在刚才训练完的结果后输入命令：

python detect.py --weight ./weights/last.pt --source 0

可以开始用摄像头检测了

这里我就不打开了，好了谢谢观看。