YOLOv5从训练到移植

一、图像采集和标注

• 图像采集

覆盖所有的数据目标，不同场景（视角、光照、可能的干扰）、距离、运动、背景等，用深度和广度摄像头都行。

若兼顾效率和准确率，可以用迁移学习思路训练，则不同场景下采集的图像数据量可以适当降低，但避免场景单一问题。

• 图像标注

可以看LabelImg安装与使用

二、YOLOv5模型训练

1、YOLOv5深度网络下载

下载地址：YOLOv5模型

2、安装环境依赖库

安装命令语句 

pip install -r requirements.txt

 或者

按照requirements.txt文件里依赖库的顺序，分别用pip install安装对应的包

3、准备数据集

把图像数据集和标定数据复制到yolov5/InsectImg/RawInsect文件夹下， 创建一个YOLOLabels文件夹，主要将Pascal VOC标注模式生成的.xml文件转换为.txt格式。

完整代码

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import random
from shutil import copyfile

classes = ['aedes', 'aegypti','albiceps','albopictus','americana','australasiae','bazini','cheopis','coquillett', 'culex','cuprina',
         'fabricius','fuliginosa','gblattella','melanura', 'musca','pattoni','rhombifolia','sericata','sorbens','wiedemann']

TRAIN_RATIO = 80


def clear_hidden_files(path):
    dir_list = os.listdir(path)
    for i in dir_list:
        abspath = os.path.join(os.path.abspath(path), i)
        if os.path.isfile(abspath):
            if i.startswith("._"):
                os.remove(abspath)
        else:
            clear_hidden_files(abspath)


def convert(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):
    in_file = open('InsectImg/RawInsect/Annotations/%s.xml' % image_id)
    out_file = open('InsectImg/RawInsect/YOLOLabels/%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))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
    in_file.close()
    out_file.close()


wd = os.getcwd()
wd = os.getcwd()
data_base_dir = os.path.join(wd, "InsectImg/")
if not os.path.isdir(data_base_dir):
    os.mkdir(data_base_dir)
work_sapce_dir = os.path.join(data_base_dir, "RawInsect/")
if not os.path.isdir(work_sapce_dir):
    os.mkdir(work_sapce_dir)
annotation_dir = os.path.join(work_sapce_dir, "Annotations/")
if not os.path.isdir(annotation_dir):
    os.mkdir(annotation_dir)
clear_hidden_files(annotation_dir)
image_dir = os.path.join(work_sapce_dir, "JPEGImages/")
if not os.path.isdir(image_dir):
    os.mkdir(image_dir)
clear_hidden_files(image_dir)
yolo_labels_dir = os.path.join(work_sapce_dir, "YOLOLabels/")
if not os.path.isdir(yolo_labels_dir):
    os.mkdir(yolo_labels_dir)
clear_hidden_files(yolo_labels_dir)
yolov5_images_dir = os.path.join(data_base_dir, "images/")
if not os.path.isdir(yolov5_images_dir):
    os.mkdir(yolov5_images_dir)
clear_hidden_files(yolov5_images_dir)
yolov5_labels_dir = os.path.join(data_base_dir, "labels/")
if not os.path.isdir(yolov5_labels_dir):
    os.mkdir(yolov5_labels_dir)
clear_hidden_files(yolov5_labels_dir)
yolov5_images_train_dir = os.path.join(yolov5_images_dir, "train/")
if not os.path.isdir(yolov5_images_train_dir):
    os.mkdir(yolov5_images_train_dir)
clear_hidden_files(yolov5_images_train_dir)
yolov5_images_test_dir = os.path.join(yolov5_images_dir, "val/")
if not os.path.isdir(yolov5_images_test_dir):
    os.mkdir(yolov5_images_test_dir)
clear_hidden_files(yolov5_images_test_dir)
yolov5_labels_train_dir = os.path.join(yolov5_labels_dir, "train/")
if not os.path.isdir(yolov5_labels_train_dir):
    os.mkdir(yolov5_labels_train_dir)
clear_hidden_files(yolov5_labels_train_dir)
yolov5_labels_test_dir = os.path.join(yolov5_labels_dir, "val/")
if not os.path.isdir(yolov5_labels_test_dir):
    os.mkdir(yolov5_labels_test_dir)
clear_hidden_files(yolov5_labels_test_dir)

train_file = open(os.path.join(wd, "yolov5_train.txt"), 'w')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'w')
train_file.close()
test_file.close()
train_file = open(os.path.join(wd, "yolov5_train.txt"), 'a')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'a')
list_imgs = os.listdir(image_dir)  # list image files
prob = random.randint(1, 100)
print("Probability: %d" % prob)
for i in range(0, len(list_imgs)):
    path = os.path.join(image_dir, list_imgs[i])
    if os.path.isfile(path):
        image_path = image_dir + list_imgs[i]
        voc_path = list_imgs[i]
        (nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path))
        (voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path))
        annotation_name = nameWithoutExtention + '.xml'
        annotation_path = os.path.join(annotation_dir, annotation_name)
        label_name = nameWithoutExtention + '.txt'
        label_path = os.path.join(yolo_labels_dir, label_name)
    prob = random.randint(1, 100)
    print("Probability: %d" % prob)
    if (prob < TRAIN_RATIO):  # train dataset
        if os.path.exists(annotation_path):
            train_file.write(image_path + '\n')
            convert_annotation(nameWithoutExtention)  # convert label
            copyfile(image_path, yolov5_images_train_dir + voc_path)
            copyfile(label_path, yolov5_labels_train_dir + label_name)
    else:  # test dataset
        if os.path.exists(annotation_path):
            test_file.write(image_path + '\n')
            convert_annotation(nameWithoutExtention)  # convert label
            copyfile(image_path, yolov5_images_test_dir + voc_path)
            copyfile(label_path, yolov5_labels_test_dir + label_name)
train_file.close()
test_file.close()

• 修改class类别标签名
• 修改TRAIN_RATIO，划分训练数据集和验证数据集比例8:2
• 修改文件路径

第一处：

    in_file = open('InsectImg/RawInsect/Annotations/%s.xml' % image_id)
    out_file = open('InsectImg/RawInsect/YOLOLabels/%s.txt' % image_id, 'w')

第二处：

data_base_dir = os.path.join(wd, "InsectImg/")
if not os.path.isdir(data_base_dir):
    os.mkdir(data_base_dir)
work_sapce_dir = os.path.join(data_base_dir, "RawInsect/")

 4、配置YOLOv5数据环境

在data文件夹下，仿照coco.yaml，创建insect.yaml文件

• 修改train训练数据集路径
• 修改val验证数据集路径
• 修改nc类别数
• 修改names列表标签名

 在models文件夹下，仿照yolov5l.yaml，创建yolov5l_insect.yaml文件

• 修改nc类别数

在weights文件夹下，存放从GitHub上下载的yolov5l6.pt

注意：如果YOLOv5系列有n、s、m、l、x，models文件夹下创建什么类型的模型，weights文件夹下要存放相应的训练好的模型pt文件。

5、修改train.py参数

一般情况下，需要修改参数： 

• 修改 --weights路径
• 修改--cfg配置模型路径
• 修改--data图像数据路径
• 根据电脑GPU核，设置--batch-size
• 根据n、s、m、l、x，设置--imgsz，YOLOv5l输入图像大小设置为640
• 一般--resume设置为False，如果因电脑重启导致训练中断，可以设置为True，接着上一次的结果继续训练
• epochs一般300，也可以根据训练情况调整

其他参数可以根据情况自动设置

6、运行train.py 进行模型训练

训练模型结果保存在路径

E:\Code\Python\yolov5\runs\train\exp

该路径下的weights文件夹生成了last.pt和best.pt两个文件，选择best.pt作为移植模型。

三、YOLOv5模型移植

1、修改export.py文件

• 修改--data,为自己数据的.yaml文件
• 修改--weights，为上一步YOLOv5l训练得到best.pt最佳路径
• 修改--imgsz，一般设置为320
• 修改--include，根据实际案例，可以选择tflite/onnx/pb等。

运行export.py导出量化后的模型

2、量化后模型移植终端

配置终端环境，调用量化后的模型。