解决YOLOv5训练自己的数据集出现No labels in path\train.cache问题

不知道是第几次训练了，最开始跑也出现了这个问题，当时怎么解决的时隔了几个月又完全忘了，还好翻看了几个博客后回忆了起来

我自己的数据集的格式是VOC格式，如下图

 若没有对数据集进行划分，则使用makeTXT.py对数据集进行划分，若数据集已经划分，则可忽略这一步

import os
import random

trainval_percent = 0.9 #这里是训练集和验证集占数据集的比例
train_percent = 0.9 #这里是训练集在训练集和验证集总集合中占的比例
xmlfilepath = 'data/smokedata/Annotations' #xml文件读取
txtsavepath = 'data/smokedata/ImageSets' #txt文件存放
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('data/smokedata/ImageSets/Main/trainval.txt', 'w') #txt文件存放的位置，一般放在ImageSets的Main下
ftest = open('data/smokedata/ImageSets/Main/test.txt', 'w')
ftrain = open('data/smokedata/ImageSets/Main/train.txt', 'w')
fval = open('data/smokedata/ImageSets/Main/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        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()

对数据集进行划分后一个完整的VOC格式的数据集就已经完成了，划分后的文件结构是这样的

 

接下来就是将xml文件转为YOLO格式的txt文件，voc_labels.py代码如下：

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

sets = ['train', 'val', 'test']

classes = ["smoke"] #你自己数据集的类别


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('data/smoke/self_data/Annotation/%s.xml' %(image_id)) #读取xml的路径
    out_file = open('data/smoke/self_data/labels/%s.txt' %(image_id), 'w') #存放label的路径
    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()

for image_set in sets:
    if not os.path.exists('data/smoke/self_data/labels/'):
        os.makedirs('data/smoke/self_data/labels/')
    image_ids = open('data/smoke/self_data/ImageSets/Main/%s.txt'
                     % (image_set)).read().strip().split() #这里读取的是makeTXT.py划分数据集后的txt

    list_file = open('data/smoke/self_data/%s.txt' % (image_set), 'w') #这里生成了划分后数据集的具体路径，也是后边yaml需要用到的

    for image_id in image_ids:
        list_file.write('data/smoke/self_data/images/%s.png\n'
                        % (image_id)) #把你自己数据集的图片的路径写入上一步的txt文件
        convert_annotation(image_id)
    list_file.close()

最终文件结构

 

生成的label下的txt文件：

其中数据格式是：cls_id  x  y  w  h 其中坐标(x,y)是中心点坐标，并且是相对于图片宽高的比例值 ，而不是绝对坐标。

解决no label问题的很重要的一点就是，原voc格式的图片存放路径是JPEGImages，而YOLOv5读取的图片路径为images，解决这一点最简单的办法就是新建一个images文件夹，然后将数据集的图片复制一份过来，使模型能读取到label，当然还有别的解决办法，例如修改YOLOv5中读取数据集的代码，只是个人觉得这个办法虽然傻，但很方便简单。

 数据格式转化后就可以写自己的yaml文件了：

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: data/smoke/self_data/train.txt  # voclabel.py生成的train.txt的路径
val: data/smoke/self_data/val.txt   # voclabel.py生成的val.txt的路径
test: data/smoke/self_data/test.txt

# number of classes
nc: 1

# class names
names: ['smoke']

接下来修改train.py

 

就可以顺利运行了