- 🍨 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