yolov7训练自己的数据集实现目标检测

赖鹏-spiderman

已于 2023-10-31 19:11:13 修改

阅读量592

点赞数 1

文章标签： YOLO python

于 2023-10-30 20:10:09 首次发布

本文链接：https://blog.csdn.net/jgguvv/article/details/134121919

版权

一准备：

1.githup上下载yolov7的源代码，并解压

一准备：

1.githup上下载yolov7的源代码，并解压

2.我使用的是anaconda，如果你是用python解释器的也是如下：

解压好的文件用pycharm打开，找到request.txt这是yolo7要求的环境必须要安装包的名字及其版本和python的最低版本要求

我用conda单独创建一个虚拟环境来用于yolov7

conda create --name yolov7 python=3.9

activate yolov7 激活环境

在自己的虚拟环境中下载yolov7所需要的包

进入自己yolov7的工程目录下

使用pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple安装包

在githup搜索选择的yolov7工程文件下载，放入工程目录中，最好创建一个文件weights来专门存放模型文件

并使用下面的命令进行测试

python detect.py --weights ./weights/yolov7.pt --source 0

二、训练自己的模型：

1训练前准备：

创建下图的文件

dataset用于放置标注后的xml文件

images存放需要标注的数据集

labels存放训练好后产生的特征值

2数据标注

安装labelimg

pip install labelimg

输入lanelimg打开

按w进行标注

然后在dataset文件中就可以看到标注好的xml文件

接下来需要对标注好的数据进行预处理操作，首先在工程目录文件下新建split.py程序，具体如下所示

代码如下：

import os
import random
import argparse
parser = argparse.ArgumentParser()
parser.add_argument('--xml_path', default='data/dataset', type=str, help='input xml label path')
parser.add_argument('--txt_path', default='data/labels', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 1.0
train_percent = 0.8
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
    os.makedirs(txtsavepath)
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
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')
for i in list_index:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        file_trainval.write(name)
        if i in train:
            file_train.write(name)
        else:
            file_val.write(name)
    else:
        file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()

运行该代码，得到txt文件

然后以同样的方式再创建xml_to_txt.py文件并运行，具体如下图所示：

代码如下代码识别的种类需要自己更改，在class改成自己要训练的标签，我识别的是熊猫就是panda

"""
将xml文件装成txt文件
"""
import xml.etree.ElementTree as ET
from tqdm import tqdm
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ['panda']  # 这里改为你要训练的标签，否则会报错。比如你要识别“hand”，那这里就改为hand


def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    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):
    # try:
    in_file = open('data/dataset/%s.xml' % (image_id), encoding='utf-8')
    out_file = open('data/labels/%s.txt' % (image_id), 'w', encoding='utf-8')
    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))
        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')


# except Exception as e:
#     print(e, image_id)

wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/labels/%s.txt' %
                     (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in tqdm(image_ids):
        list_file.write('data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

运行该py文件