采用yoloV5+pycharm的自己数据集训练目标检测与识别

day2-day4

续上一篇：采用了opencv自己的多层链接分类器做了简单的检测后，发现根本达不到我所需的要求，于是某宝买了opencv+yolo+pytorch的网课，逐渐有了更深的理解，分类器已经是很过时的技术了，之前对深度学习和神经网络并没有了解，但是赶鸭子上架，应用重要，原理后续再学吧，在初步了解了CV的基本概念后，动手跟着做带神经网络和深度学习的目标检测

day5

动手吧！

首先下载YOLOV5，yolo2,3,4都是以论文的形式呈现的，而yoloV5更像是一个项目，有着成熟的代码，开箱即用的那种

1.先在D盘建了个文件夹YOLO，下载这个项目，然后解压到YOLO里

地址：https://github.com/ultralytics/yolov5

 

 2.打开pycharm，把包导入：如果你的环境<py3.6，建议升级一下，如果符合，会导的就打开项目，不会导的就把yolov5-master文件复制到已经打开的项目下边

打开文件就能看到这个

 里边是运行起来所需加的一些包

按着命令下载就行

tips：我用的是CPU版本，因为笔记本没显卡，这样就有一个很重要的问题，就是pytorch的安装，建议先到pytorch官网去看下，因为如果直接pip装很容易出现torch和torchvison不匹配的情况，巨麻烦

2.这里安装就不展开讲了，运行这个

 缺的就会提示你，这里说一下wandb的问题，我之前没接触过wandb，所以报错后就pip装了wandb，然后注册号拿到验证码，验证码不知道为什么pycharm复制不上去，只能手打，安装后，打开终端输入wandb login，登录上去，就可以用了

3.到这里，yolov5的配置就算完成了，接下来说说数据集制作的问题，我用了最土的办法就是使用labelme，也就是自己标注需要训练的图片

要装的东西

pip install pyqt 

pip install pillow

pip install labelme

装完终端输入lebelme就会弹出来标注窗口

在yolov5-master下创建一个文件夹 train，在train下创建三个文件夹img、json、labels

左边菜单open是开一张图，open dir就是打开目录（图片目录），开了图片后右键菜单，第一个是点连框，第二个是选区域框，我对精度要求并不高也没有姿态的需求，所以都采用了区域框，框完后保存，将生成的json文件存入之前创建的train中的json里

标注方法，我要的是猪，所以我就把图片里的猪框出来

4.到这一步，假设你已经完成了图片标注，也就是图片存在img里，标注文件存在json中，那么下一步，就是把json转化为txt

json转化txt代码

import json
import os
 
name2id =  {'hero':0,'sodier':1,'填你标注的标签':2}
def convert(img_size, box):
    dw = 1. / (img_size[0])#自己改
    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 = '填train下的labels文件夹' + json_name[0:-5] + '.txt'
    #存放txt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',errors='ignore'))
 
    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__":
 
    json_floder_path = '填train下的json文件夹'

    json_names = os.listdir(json_floder_path)
    for json_name in json_names:
        decode_json(json_floder_path, json_name)

5.到此，json文件夹就可以删了，剩下img文件夹和labels文件夹，这就是我们需要拿来训练的数据集

6.训练这块

【Yolov5】1.爆肝6000字Yolov5保姆级教程，80岁老奶奶都看得懂！_若丶尘的博客-CSDN博客爆肝6000字Yolov5保姆级教程，80岁老奶奶都看得懂。文章特点：一个完整的流程，从头教到尾，不讲冗长的理论，实操https://blog.csdn.net/m0_53392188/article/details/119334634借鉴下这位大佬的

训练截图

时间关系，本篇作为记录匆匆赶出来的，细节不到位，接下来我要去尝试用百度的paddlepaddle啦！

毕竟自己的小垃圾笔记本做个实验还行，真往应用方向走算力还差得远，因此就只能抱着paddle的ai studio大腿了