YOLOV 训练自己的数据集 (提供项目，快速生成)

是时候制作自己的数据集啦！（强烈建议先看完文章）

结尾提供傻瓜式使用文件

参考文章：YOLOv5训练自己的数据集(超详细)_yolo数据集_AI追随者的博客-CSDN博客

对于YOLO 的数据集主要涉及到两个东西： 图片 以及 图片的标注

• 图片的收集不在本文章的内容范围内
• 图片的标注可以通过 Labelimg 进行标注

通过使用Labelimg 可以获得 XML 格式的标签，可以选择 YOLO 格式的标签

下面以获得 XML 格式的标签后为例子

---

# 处理文件名：

        有时候通过各种方式获得的图片中会有空格，而空格会导致接下来划分数据集的时候出现问题，因此我们需要将空格替换成其他的符号，比如  "_"

        更改的文件夹为         ./data/Picture/

处理完成后将 ./data/Picture/ 中的图片移动到  ./data/Convert/images/ 中

import os


def filerename(path_):
    filelist = os.listdir(path_)  # 文件夹中的文件列表
    for file in filelist:  # 逐次遍历文件夹下的文件
        path2 = file.replace(' ', '_')  # 将文件名中的空格替换成下划线,或者替换成其他的也行
        Olddir = os.path.join(path_, file)  # 完整的的文件路径
        Newdir = os.path.join(path_, path2)  # 得到新的路径
        os.rename(Olddir, Newdir)  # 重命名


if __name__ == "__main__":
    filerename("data/Picture")

 # 划分数据集：

        将图片按照比例划分为不同的数据集：

        train.txt      val.txt     trainval.txt    test.txt

        需要注意图片文件的格式 如果是png格式的图片需将下面代码第33行的.png修改为jpg

        输出文件夹为         ./data/Convert/

# coding:utf-8

import os
import random
import argparse

parser = argparse.ArgumentParser()
parser.add_argument('--xml_path', default='./data/Picture_XML/', type=str, help='input xml label path')
parser.add_argument('--txt_path', default='./data/Convert/', type=str, help='output txt label path')
opt = parser.parse_args()

trainval_percent = 1.0
train_percent = 0.9
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 = './images/' + total_xml[i][:-4] + '.jpg\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()

 # XML格式 标签转换为 YOLO 格式标签：

        存放 XML 格式的文件夹为        ./data/Picture_XML/       

        输出文件夹为        data/Convert/labels/

# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ["A", "B", "C"]  # 改成自己的类别
abs_path = os.getcwd()
print(abs_path)


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):
    in_file = open('data/Picture_XML/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('data/Convert/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))
        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')


wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/Convert/labels/'):
        os.makedirs('data/Convert/labels/')
    image_ids = open('data/Convert/%s.txt' % (image_set)).read().split(".")[1::2]
    image_names = []
    for image_id in image_ids:
        image_names.append(image_id[8:])
    list_file = open('data/Convert/labels/%s.txt' % (image_set), 'w')
    for image_id in image_names:
        list_file.write(abs_path + 'data/Convert/labels/%s.txt\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

# 配置数据

        执行完以上几步后，数据的目录应当是这样的

labelimg
    └── data
        ├── Convert         # 此目录下有两个文件夹 和四个txt 文件
        |   ├──images       * 放入移除空格后的图片
        |   └──labels       * 这里生成了 XML 转换出来的 TXT 格式的数据标注
        ├──Picture          # 这里放用来训练的图片
        └──Picture_XML      # 这里放标注获得的XML 格式文件

         接下来配置yaml文件：

1. yolov5 默认使用的是 coco128.yaml 默认是在 'YOLO根目录'/data/ 下面, 复制一份

2. 更改这份复制的coco128.yaml 中的2个参数（已加粗）：

         path: D:/0_AI_Learning/ApexDataset # 更改为 ./data/Convert/ 文件夹的绝对路径

                 比如 'D:/AI_Learning/labelImg/'

         train: train.txt # train images (relative to 'path') 128 images 不用更改

         val: val.txt # val images (relative to 'path') 128 images 不用更改

         test: # test images (optional) 不用更改 #

         Classes # 更改成训练时的类别， 注意保持顺序

         names:

                0: A

                1: B

                2: C

## 将获得的 *.yaml 文件放入 YOLOV5/data/ 目录内

# 更改train.py 中的参数：
    parser.add_argument('--data', type=str, default=ROOT / 'data/***.yaml', help='dataset.yaml path')
    将'***.yaml'改为 #数据集配置 中获得的 yaml 文件的名称

## 记得将获得的 *.yaml 文件放入 YOLOV5/data/ 目录内

---

接下来介绍傻瓜式操作：

YOLO/labelImg at main · RedWhiteLuo/YOLO (github.com)

进入上面的网页 -> 打包下载 -> 在pycharm 中打开项目 -> 将图片放入 ./data/Picture/ 中

-> 将标注文件放入 ./data/Picture_XML/ 文件夹中 -> 执行del_space.py

-> 将./data/Picture/ 中的所有图片移动到 ./data/Convert/images 中 

-> 执行 into_different_data.py -> 执行xml2txt.py -># 更改train.py 中的参数(上面不远处有)