数据集标注:
1、新建一个存放标定结果txt的目标文件夹labels。
2、点击左侧栏的Change Save Dir,选择存放txt文件的目标文件夹。
3、点击Open Dir,打开图像数据目录。
4、点击Create RectBox,将光标置于目标左上角,按住左键向右下角拖动。方框绘制完成,双击选择弹窗中相应的类别名称。
5、标注完成后,点击左边栏的Save进行保存。
备注:
1、想要修改图2中的标签类别内容(如默认的dog、person、cat等)则在主目录下data文件夹中的predefined_classes.txt文件中修改,也可按个人需求增加类型。
2、输出格式部分,目前labelImg支持YOLO和PascalOVC2种格式,前者标签信息是存储在txt文件中,而后者是存储在xml中。
目录结构:
数据集训练:
创建data.yaml文件,且放在与images的同级目录下。
train: ../AGV/train/images
val: ../AGV/valid/images
# number of classes
nc: 2
# class names
names: ["AGV", "叉车"]
修改yolov5/models/yolov5s.yaml中的nc值。
执行训练命令:
python train.py --img 640 --batch 16 --epochs 300 --data ../AGV/data.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt
注:epochs: 轮数,默认300,需要指定;
batch-size:一次给的数据量;
cfg、data、weights:cfg是模型的参数,data是数据集路径,weights 是预训练模型;
img-size: 训练和测试数据集的图片尺寸(个人理解为分辨率),默认640。
训练结束后,在runs-weights文件夹下生成了best.pt和last.pt。
测试命令:
python detect.py --weights weights/best.pt --source ../AGV/test/images
查看训练过程命令:
cd yolov5
tensorboard --logdir=runs
快捷键
Ctrl + u 加载目录中的所有图像,鼠标点击Open dir同功能
Ctrl + r 更改默认注释目标目录(txt文件保存的地址)
Ctrl + s 保存
Ctrl + d 复制当前标签和矩形框
space 将当前图像标记为已验证
w 创建一个矩形框
d 下一张图片
a 上一张图片
del 删除选定的矩形框
Ctrl++ 放大
Ctrl-- 缩小