如何用yolov5训练自己的数据集（走过路过不要错过！）

目录

一、安装yolov5

1、下载yolov5

2、 安装并解压yolov5

二、准备使用yolov5训练模型

1、在Anaconda Powershell Prompt控制台下载labelimg

2、打开labelimg

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

(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

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

 2、创建xml_to_txt.py文件并运行

 3、在data文件夹中新建myvoc.yaml文件

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 

之后输入代码

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！