基于YOLOV5的血细胞识别(附数据集和完整项目代码)

SOBE_rrr

已于 2022-09-29 09:52:58 修改

阅读量4.6k

点赞数 21

分类专栏：项目文章标签：计算机视觉目标检测 python 深度学习

于 2022-07-28 17:37:22 首次发布

本文链接：https://blog.csdn.net/SOBE_rrr/article/details/126038424

版权

项目专栏收录该内容

4 篇文章 0 订阅

订阅专栏

先来看看识别效果：

YOLO是一个作为本科生扩充项目背景来说非常好的项目，无论是拿来做课程设计，还是直接完善一下写入简历，都非常的不错，我身边就有非常多保研、考研的同学将YOLO作为项目之一写入简历(大佬绕道)

首先没有基础的同学，可以先去学习一些YOLO入门教程，但是目前的大多数教程都没有详细介绍怎么使用自己的数据集进行训练，这里我就展开介绍一下。

在这里我使用的是一个开源的血细胞检测数据集：(如果要训练自己的数据，只需要用Labelimg自己打标签即可）

数据集里的格式如下，是xml文件，不是YOLO对应的标签格式，YOLO对应的标签格式的每行的有严格的内容约束。

问题不大，我们就将上述的这种格式的数据，转为我们自己需要的格式即可。我们创建一个Python文件，取名为:1make_txt.py，这里主要是对数据集进行划分并创建对应的txt文件的，因为在原始数据集里面已经把训练、验证和测试集划分好了，所以我们这里只需要将比例设置为1，然后分别对训练、验证和测试机使用一遍。

import os
import random
trainval_percent = 0 #验证集+测试集一共占的比例
train_percent = 1 #验证集和测试集中 测试集所占的比例
xmlfilepath = 'Complete-Blood-Cell-Count-Dataset-master/Testing/Annotations'
txtsavepath = 'Complete-Blood-Cell-Count-Dataset-master/Testing/ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent) #tv是验证集+测试集的数量
tr = int(tv * train_percent)
trainval = random.sample(list, tv) #验证集+测试集的数量
train = random.sample(trainval, tr) #测试集
ftrainval = open('Complete-Blood-Cell-Count-Dataset-master/Testing/ImageSets/trainval.txt', 'w')
ftest = open('Complete-Blood-Cell-Count-Dataset-master/Testing/ImageSets/test.txt', 'w')
ftrain = open('Complete-Blood-Cell-Count-Dataset-master/Testing/ImageSets/train.txt', 'w')
fval = open('Complete-Blood-Cell-Count-Dataset-master/Testing/ImageSets/val.txt', 'w')

# train = random.sample(trainval, tr) #测试集
# ftrainval = open('data/ImageSets/trainval.txt', 'w')
# ftest = open('data/ImageSets/test.txt', 'w')
# ftrain = open('data/ImageSets/train.txt', 'w')
# fval = open('data/ImageSets/val.txt', 'w')
for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval: #验证集+测试集
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

文件的目录结构如下：

接下来我们再将划分好的数据集生成对应的标签：(也是分别对训练、验证和测试分别进行作用），创建Python文件：2voc_label.py

# -*- coding:utf-8 -*-
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets = ['train']
classes = ['RBC','WBC','Platelets']
def convert(size, box):
    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('Complete-Blood-Cell-Count-Dataset-master/Testing/Annotations/%s.xml' % (image_id))
    out_file = open('Complete-Blood-Cell-Count-Dataset-master/Testing/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))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
print(wd)
for image_set in sets:
    if not os.path.exists('Complete-Blood-Cell-Count-Dataset-master/Testing/labels/'):
        os.makedirs('Complete-Blood-Cell-Count-Dataset-master/Testing/labels/')
    image_ids = open('Complete-Blood-Cell-Count-Dataset-master/Testing/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('Complete-Blood-Cell-Count-Dataset-master/Testing/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write('Complete-Blood-Cell-Count-Dataset-master/Testing/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

划分好的数据集如下所示：