使用yolov5进行茶叶识别

目录

一、github官方网址

二、环境搭建

​编辑 ​编辑

三、使用coco128数据集进行环境测试

四、使用labelme标记数据集

五、代码修改

六、开始训练

七、进行测试

八、问题与反思

---

一、github官方网址

https://github.com/ultralytics/yolov5

  也可使用以下命令进行代码下载 

git clone https://github.com/ultralytics/yolov5

二、环境搭建

(1)python>=3.7

(2)pytorch>=1.7

本文使用anaconda创建了python3.8版本的虚拟环境，并且进行了GPU的配置，安装了GPU版本的pytorch1.11

 除此之外，由于在本地训练时间过长，笔记本配置较低，本文还在服务器上使用docker对运行环境进行了配置

 

三、使用coco128数据集进行环境测试

  命令行进入项目所在目录

cd yolov5

 安装项目所需要的所有依赖项

pip install -r requirements.txt

安装过程中可能会有个别安装包不能成功，使用pip命令进行单独安装即可，添加清华镜像源会快很多，package为包名，version为版本号

pip install package==version -i https://pypi.tuna.tsinghua.edu.cn/simple

 运行detect.py文件测试结果如下

 

运行train.py文件，训练过程如下

训练结果保存在runs/train/exp_num文件夹下，生成了两个权重文件在文件夹runs/train/exp_num/weights/下，分别是best.pt和last.pt，可以使用这两个权重文件对训练效果进行测试。 

使用tensorboard可以使训练过程可视化，命令如下

tensorboard --logdir runs\train

四、使用labelme标记数据集

去当地的茶山进行茶叶数据的采集，为具有普适性，本次数据采集采用多角度，多明暗的拍摄手法，确保能在多种场景适用，图片，视频均可。采集完的数据使用labelme进行标注。

(1)进入虚拟环境

(2)安装labelme

pip install labelme

  (3)直接运行labelme打开标注软件

labelme

(4)注意选择自动保存

注：labelme 支持jpg等格式，不支持HEIC格式，图片格式转化网址（一次只支持转化10张图片）：https://cdkm.com/cn/heic-to-jpghttps://cdkm.com/cn/heic-to-jpg

    (5) labelme保存的是json文件，需要将json文件转化为txt文件，用于label标签

可用python代码批量转化json文件：

import json
import os
 
# 标签名称，labelme做了几个标签这里就填几个
name2id = {'fruit': 0}
 
 
def convert(img_size, box):
    dw = 1. / (img_size[0])
    dh = 1. / (img_size[1])
    x = (box[0] + box[2]) / 2.0 - 1
    y = (box[1] + box[3]) / 2.0 - 1
    w = box[2] - box[0]
    h = box[3] - box[1]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)
 
 
def decode_json(json_floder_path, json_name):
    txt_name = 'E:\\***\\***\\目标检测\\labels\\' + json_name[0:-5] + '.txt'
    # 存放txt文件夹的绝对路径
    txt_file = open(txt_name, 'w')
 
    json_path = os.path.join(json_floder_path, json_name)
    data = json.load(open(json_path, 'r', encoding='gb2312'))
 
    img_w = data['imageWidth']
    img_h = data['imageHeight']
 
    for i in data['shapes']:
 
        label_name = i['label']
        if (i['shape_type'] == 'rectangle'):
            x1 = int(i['points'][0][0])
            y1 = int(i['points'][0][1])
            x2 = int(i['points'][1][0])
            y2 = int(i['points'][1][1])
 
            bb = (x1, y1, x2, y2)
            bbox = convert((img_w, img_h), bb)
            txt_file.write(str(name2id[label_name]) + " " + " ".join([str(a) for a in bbox]) + '\n')
 
 
if __name__ == "__main__":
    # 存放json文件夹的绝对路径 
    json_floder_path = 'E:\\***\\***\\目标检测\\20220808json'  
    json_names = os.listdir(json_floder_path)
    for json_name in json_names:
        decode_json(json_floder_path, json_name)

 (6)整理数据集，文件格式如下

 

其中images文件夹里面放图片，labels文件夹里面放标签。

注：图片与相应标签的文件名字要统一。

五、代码修改

（1）将处理好的数据集放入工程目录，与yolov5(我用的是yolov5-6.1版本)同级，包含trian（训练集）和valid(验证集)

（2）yolov5/utils/dataset.py 

num_workers=0
（3）新建data.yaml文件，修改训练数据路径，文件放在工程目录的data文件夹下

train: ../train/images
val: ../valid/images
 
# Classes
nc: 1  # number of classes
names: ['tea']  # class names

六、开始训练

进入工程目录，使用终端运行以下命令，进行训练 

python train.py --data data.yaml --cfg yolov5s.yaml --weights '' --batch-size 32  --epoch 300

 使用tensorboard可视化训练过程

七、进行测试

（1）上传测试数据，可以是图片，也可以是视频，放在data文件夹（source为0时，调用摄像头进行测试） 如下图其中vedio是我自己上传的测试数据

（2）使用生成的权重文件进行测试

python detect.py --source data\vedio --weights runs\train\expX\weights\best.pt  --data data\data.yaml 

---

八、问题与反思

 （1）、问题描述：AttributeError: 'NoneType' object has no attribute '_free_weak_ref' 

　　　　解决办法：修改yolov5-6.1/utils/dataset.py中num_workers　　

num_workers=0

（2）、在安装依赖项requirements.txt时，安装包opencv出错，原因是高版本的opencv与低版本的opencv版本不兼容，换用低版本的opencv后，问题得到解决。