目录
1、在Anaconda Powershell Prompt控制台下载labelimg
(1) 在下载并解压好的yolov5文件夹中,根据路径(yolov5-master\data\images)找到images文件夹
(2) 在工程中的data文件夹下新建两个文件夹,分别为dataset、labels。其中,datasets主要用来存放打好标签后的数据集,labels主要用来存放数据标签。
1、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
4、打开Anaconda powershell promp (以管理员身份打开)并进入到yolov5的工程目录中
一、安装yolov5
1、下载yolov5
这是我使用的国外大佬搭建的yolov5模型,大家也可以去下载使用!链接:ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite (github.com)
2、 安装并解压yolov5
安装完后将压缩文件解压。解压完成如下图:
二、准备使用yolov5训练模型
1、在Anaconda Powershell Prompt控制台下载labelimg
输入指令:pip install labelimg
如果无法下载可能是因为网络波动较大,可选择用清华镜像来辅助下载:
输入指令:pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple
2、打开labelimg
在Anaconda Powershell Prompt控制台
输入指令:labelimg
即可打开此窗口
3、标注图片
(1) 在下载并解压好的yolov5文件夹中,根据路径(yolov5-master\data\images)找到images文件夹
将要标注的图片放进去,这里我已经放入了六张熊猫的图片
(2) 在工程中的data文件夹下新建两个文件夹,分别为dataset、labels。其中,datasets主要用来存放打好标签后的数据集,labels主要用来存放数据标签。
(3) 在labelimg窗口打开自动保存
设置标注图片打开位置
设置标注后的图片的保存位置
然后点击Open选择自己保存的图片就可以开始标注了
三、开始训练模型
1、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
创建好以后输入代码
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()
然后运行split.py文件
2、创建xml_to_txt.py文件并运行
输入代码
import xml.etree.ElementTree as ET
from tqdm import tqdm
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ['panda1'] # 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()
3、在data文件夹中新建myvoc.yaml文件
之后输入Name:myvoc.yaml
在其中输入代码
train: data/train.txt
val: data/val.txt
# number of classes
nc: 1
# class names
names: ["panda"]
4、打开Anaconda powershell promp (以管理员身份打开)并进入到yolov5的工程目录中
这里我使用了虚拟环境,如果你也想创建,可以参考我的另一篇博客Anaconda如何从零开始搭建虚拟环境
之后输入代码
python train.py --epoch 300 --batch 4 --data ./data/myvoc.yaml --cfg ./models/yolov5s.yaml --weight ./weights/yolov5s.pt --workers 0
即可开始训练模型
本教程到此结束,想获得更多教程请关注,谢谢!