YOLOv5白皮书-第Y2周：训练自己的数据集

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊 | 接辅导、项目定制
• 🚀 文章来源：K同学的学习圈子

环境配置：

Python-3.11.4 torch-2.0.1+cpu CPU

一、准备数据

目录结构展示：

目录结构展示：

yolov5-master 

      paper_data(自己创建的文件夹，数据存放到这里)  

          Annotations(放置.xml文件)

          images(存放图片文件)

          ImageSets

               Main(运行代码后会在该文件夹中生成train.txt、val.txt、test.txt、trainval.txt四个文件，

                        存放训练集、验证机、测试集图片的名称)

images中存放的图片格式为png，官方的为jpg，后面修改一下代码即可

二、运行split_train_val.py文件

split_train_val.py内容如下：

import os
import random
import argparse
 
parser = argparse.ArgumentParser() #创建一个参数解析器
#添加命令行参数，用于指定xml文件的路径，默认为'Annotations'文件夹
parser.add_argument('--xml_path',default = 'E:/yolov5-master/paper_data/Annotations',type = str , help = 'input xml label path')
#添加命令行参数，用于指定输出txt标签文件的路径，默认为'ImageSets/Main'文件夹
parser.add_argument('--txt_path',default = 'E:/yolov5-master/paper_data/ImageSets/Main',type = str , help = 'output txt label path')
#解析命令行参数
opt = parser.parse_args()
#定义训练验证集和测试集的划分比例
trainval_percent = 9/10 #使用90%的数据
train_percent = 8/9 #训练集粘训练验证集的8/9
#设置xml文件夹的路径，根据命令行参数指定
xmlfilepath = opt.xml_path
#设置txt标签文件的路径，根据命令行参数指定
txtsavepath = opt.txt_path
#获取xml文件夹中所有的xml文件
total_xml = os.listdir(xmlfilepath)
#如果输出txt标签文件的文件夹不存在，创建它
if not os.path.exists(txtsavepath):
    os.makedirs(txtsavepath)
#获取xmlw文件的总数
num = len(total_xml)
#创建一个包含所有xml文件的索引列表
list_index = range(num)
#计算训练验证集的数量
tv = int(num*trainval_percent)
#计算训练集的数量
tr = int(tv*train_percent)
#从所有xml文件索引中随机选择出训练验证集的索引
trainval = random.sample(list_index,tv)
#从训练验证集的索引中随机选择出训练集的索引
train = random.sample(trainval,tr)
#打开要写入的训练验证集、测试集、训练集、验证集的txt文件
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')
#遍历所有xml文件的索引
for i in list_index:
    name = total_xml[i][:-4] + '\n'#获取xml文件的名称（去掉后缀.xml）,并添加换行符
    #如果该索引在训练验证集中
    if i in trainval:
        file_trainval.write(name) #写入训练验证集txt文件
 
        if i in train: #如果该索引在训练集中
            file_train.write(name) #写入训练集txt文件
 
        else:
            file_val.write(name) #写入验证集txt文件
 
    else:
        file_test.write(name) #写入测试集txt文件
#关闭所有打开的的文件
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()

三、生成train.txt、test.txt、val.txt文件

使用voc_label.py文件，内容如下：

import xml.etree.ElementTree as ET
import os
from os import getcwd
# 定义数据集的名称
sets = ['train', 'val', 'test']
#定义类别列表，这里有两个类别，可以根据需要增减，修改名称
classes = ["banana", "snake fruit", "dragon fruit", "pineapple"]  
#获取当前工作目录的绝对路径
abs_path = os.getcwd()
print(abs_path)
 
#该函数用来将边界框的坐标从绝对值转换为相对图像大小的比例
def convert(size, box):
    dw = 1. / (size[0])# 计算图像宽度的倒数
    dh = 1. / (size[1])# 计算图像高度的倒数
    x = (box[0] + box[1]) / 2.0 - 1 # 计算中心点x的坐标
    y = (box[2] + box[3]) / 2.0 - 1# 计算中心点y的坐标
    w = box[1] - box[0]# 计算边界狂的宽度
    h = box[3] - box[2]# 计算边界框的高度
    x = x * dw #缩放x的坐标
    w = w * dw #缩放宽度
    y = y * dh #缩放y的坐标
    h = h * dh #缩放高度
    return x, y, w, h
 
 
# 将标注文件从XML格式转为YOLO格式
def convert_annotation(image_id):
    in_file = open('E:/yolov5-master/paper_data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('E:/yolov5-master/paper_data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
 
    filename = root.find('filename').text
    filenameFormat = filename.split(".")[1]
 
    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')
    return filenameFormat
 
 
wd = getcwd()
for image_set in sets:
    if not os.path.exists('E:/yolov5-master/paper_data/labels/'):
        os.makedirs('E:/yolov5-master/paper_data/labels/')
    image_ids = open('E:/yolov5-master/paper_data/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
    list_file = open('E:/yolov5-master/paper_data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        filenameFormat = convert_annotation(image_id)
        list_file.write(' E:/yolov5-master/paper_data/images/%s.%s\n' % (image_id, filenameFormat))
    list_file.close()

四、创建ab.yaml文件

内容如下：

train: E:/BaiduNetdiskDownload/yolov5-master/paper_data/train.txt
val: E:/BaiduNetdiskDownload/yolov5-master/paper_data/val.txt

nc: 1


names: ["banana","snake fruit","dragon fruit","pine apple"]

五、运行

进入cmd
先进入自己创建的虚拟环境

conda activate pytorch_env

python E:/BaiduNetdiskDownload/yolov5-master/train.py --img 900 --batch 2 --epoch 100 --data E:/BaiduNetdiskDownload/yolov5-master/data/ab.yaml --cfg E:/BaiduNetdiskDownload/yolov5-master/models/yolov5s.yaml --weights E:/BaiduNetdiskDownload/yolov5-master/yolov5s.pt