YOLOV5训练数据（火焰检测）

最新推荐文章于 2024-07-03 23:17:54 发布

开普勒醒醒吧

最新推荐文章于 2024-07-03 23:17:54 发布

阅读量1.1w

点赞数 10

分类专栏：目标识别文章标签：深度学习

本文链接：https://blog.csdn.net/lioe_1995/article/details/114703597

版权

本文介绍了如何使用YOLOV5进行火焰检测。首先从官方下载源码和预训练模型，接着详细阐述了火焰数据集的制作过程，包括数据集的下载、标注信息提取和txt文件生成。然后，对数据集yaml文件、网络参数yaml文件及train.py进行相应修改以适应火焰检测任务。最后，展示了训练过程和训练结果。

摘要由CSDN通过智能技术生成

YoloV5火焰检测

一、YOLOV5 实现检测

1.1 下载源码

官方地址下载源码 YoloV5

1.2 下载模型

下载官方模型，官方提供预训练模型，下载地址为谷歌云盘

二、YOLOV5训练数据集

2.1 火焰数据集

实验数据集共有2059张具有标签的火焰图片。
在这里插入图片描述
数据集下载地址

其中Annotations文件里存放的是带标注的xml文件，Image中存放的是火焰图片。

2.2 制作数据集

使用脚本voc_label.py生成labels文件，train.txt以及test.txt。其中labels是从Annotations/xxx.xml中提取的不同图像的标注信息，并采用.txt的形式存储。 train.txt 和 test.txt中分别为训练图像的绝对位置。

voc_label.py

# 缺陷坐标xml转txt
import os
import xml.etree.ElementTree as ET
import os
import random
classes = ["fire"]  # 输入类别名称，必须与xml标注名称一致

def convert(size, box):
    print(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):
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    in_file = open(r'./data/Annotations/%s' % (image_id), 'rb')  # 读取xml文件路径
    out_file = open('./data/labels/%s.txt' % (image_id.split('.')[0]), 'w')  # 需要保存的txt格式文件路径
    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'):
        cls = obj.find('name').text
        if cls not in classes:
            continue
        cls_id = classes.index(cls) + 1
        xmlbox = obj