一、安装yolov5
1.可以在github官网下载:https://github.com/search?q=yolov5&type=repositories
2.百度网盘链接:https://pan.baidu.com/s/1RIW3G-mZ7ydjFHU7YUpoRg
提取码:TY12
二、训练前准备
1.首先打开电脑控制台Anaconda Powershell Prompt,在控制台输入指令如下
pip install labelimg
如果下载过慢或不成功可以借助清华镜像下载,输入以下指令
pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple
2.下载成功过后,在控制台打开labelimg,输入指令labelimg
输入指令后,就打开以下窗口:
3.进行图片的标注
将自己需要用到的图片放在yolov5的文件夹里根据路径(yolov5-master\data\images)
4.在工程中的data文件夹下新建两个文件夹
分别为dataset、labels。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。
5.回到labelimg窗口中
打开自动保存
点击open dir 选择图片打开位置
然后选择刚刚在yolov5文件中放图片的文件夹images
再选择设置标注后的图片的保存位置
点击change save dir
选择刚刚创建的文件夹dataset
6.现在点击open打开图片开始标注
点击create rectbox进行框选并命名
按照这个方法将所有的图片标注就完成了
三、开始训练模型
1.用pycharm打开yolov5文件夹,在工程目录下建split.py文件
将下面代码放入里面
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()
然后运行该文件,运行后会在labels文件出现一些文件
2.我们再创建一个xml_to_txt.py文件
代码如下
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()
然后运行
3.在data文件夹中新建myvoc.yaml文件
输入代码
train: data/train.txt
val: data/val.txt
# number of classes
nc: 1
# class names
names: ["panda"]
此处代码为刚刚数据集名称,根据自己的修改
names: ["panda"]
这个时候我们可以开始训练了
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
然后输入代码开始训练
python train.py --epoch 300 --batch 4 --data ./data/myvoc.yaml --cfg ./models/yolov5s.yaml --weight ./weights/yolov5s.pt --workers 0
到此训练就结束了