用yolov4训练数据集

YOLOv4配置

需要修改配置的地方主要有三处：cfg文件，data文件，names文件。

配置完后的整体目录结构
├── cfg
├── data
│   ├── Annotations
│   ├── images
│   ├── ImageSets
│   ├── JPEGImages
│   └── labels
├── images
├── models
│   └── __pycache__
├── __pycache__
├── runs
├── utils
│   └── __pycache__
└── weights
数据集准备

数据集文件夹准备

将标注好的数据Annotations和JPEGImages放入yolov4下的data目录下，并新建文件ImageSets，labels，复制JPEGImages，并进行重命名

划分训练集、验证集、测试集

在根目录下新建makeTxt.py，用以将数据分成训练集，测试集和验证集，

import os  
import random  
 

trainval_percent = 0.9
train_percent = 0.8
xmlfilepath = ‘data/Annotations’
txtsavepath = ‘data/ImageSets’
total_xml = os.listdir(xmlfilepath)
num=len(total_xml)
list=range(num)
tv=int(numtrainval_percent)
tr=int(tvtrain_percent)
trainval= random.sample(list,tv)
train=random.sample(trainval,tr)

ftrainval = open(‘data/ImageSets/trainval.txt’, ‘w’)
ftest = open(‘data/ImageSets/test.txt’, ‘w’)
ftrain = open(‘data/ImageSets/train.txt’, ‘w’)
fval = open(‘data/ImageSets/val.txt’, ‘w’)

for i in list:
name=total_xml[i][:-4]+‘\n’
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

运行上述代码，在ImageSets得到四个文件，其中我们主要关注的是train.txt，test.txt，val.txt，文件里主要存储图片名称。

生成训练集、测试集

在根目录下新建voc_label.py，得到labels的具体内容以及data目录下的train.txt，test.txt，val.txt。

voc_label.py的代码如下：

# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
 

 

sets = [‘train’, ‘test’,‘val’]
classes = [“car”,“person”,“bird”] # 自己数据的类别
def convert(size, box):
dw = 1. / size[0]
dh = 1. / size[1]
x = (box[0] + box[1]) / 2.0
y = (box[2] + box[3]) / 2.0
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):
in_file = open(‘data/Annotations/%s.xml’ % (image_id))
out_file = open(‘data/labels/%s.txt’ % (image_id), ‘w’)
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))
bb = convert((w, h), b)
out_file.write(str(cls_id) + " “ + ” ".join([str(a) for a in bb]) + ‘\n’)
wd = getcwd()
print(wd)
for image_set in sets:
if not os.path.exists(‘data/labels/’):
os.makedirs(‘data/labels/’)
image_ids = open(‘data/ImageSets/%s.txt’ % (image_set)).read().strip().split()
list_file = open(‘data/%s.txt’ % (image_set), ‘w’)
for image_id in image_ids:
list_file.write(‘data/images/%s.jpg\n’ % (image_id))
convert_annotation(image_id)
list_file.close()

准备完成进行训练

python train.py --device 0 --batch-size 16 --img 640 640 --data coco.yaml --cfg cfg/yolov4.cfg --weights weights/yolov4.weights --name yolov4-pacsp