使用EISeg自动标注数据，yolov5训练模型（保姆教程）

一. EISeg自动标注📎

官方链接⭐

https://github.com/PaddlePaddle/PaddleSeg/tree/develop/EISeg

EISeg介绍🌊

EISeg(Efficient Interactive Segmentation)是以RITM及EdgeFlow算法为基础，基于飞桨开发的一个高效智能的交互式分割标注软件。

安装EISeg🌈

提前安装好PaddlePaddle,请参考PaddlePaddle快速安装文档

pip安装EISeg

pip install opencv-python==4.5.5.64
pip install opencv-contrib-python==4.5.5.64
pip install opencv-python-headless==4.5.5.64
pip install eiseg

安装完成后命令行输入,即可运行软件。

eiseg

下载模型🍟

选择合适自己的模型下载并解压

模型类型	适用场景	模型结构	模型下载地址
高精度模型	通用场景的图像标注	HRNet18_OCR64	static_hrnet18_ocr64_cocolvis
轻量化模型	通用场景的图像标注	HRNet18s_OCR48	static_hrnet18s_ocr48_cocolvis
高精度模型	通用图像标注场景	EdgeFlow	static_edgeflow_cocolvis
高精度模型	人像标注场景	HRNet18_OCR64	static_hrnet18_ocr64_human
轻量化模型	人像标注场景	HRNet18s_OCR48	static_hrnet18s_ocr48_human
轻量化模型	遥感建筑物标注场景	HRNet18s_OCR48	static_hrnet18_ocr48_rsbuilding_instance
轻量化模型	医疗肝脏标注场景	HRNet18s_OCR48	static_hrnet18s_ocr48_lits
高精度模型	* x光胸腔标注场景	Resnet50_Deeplabv3+	static_resnet50_deeplab_chest_xray
高精度模型	* x光胸腔标注场景	Resnet18_Deeplabv3+	static_resnet18_deeplab_chest_xray
轻量化模型	* MRI椎骨图像标注场景	HRNet18s_OCR48	static_hrnet18s_ocr48_MRSpineSeg
轻量化模型	* 质检铝板瑕疵标注场景	HRNet18s_OCR48	static_hrnet18s_ocr48_aluminium

标注数据✍

数据文件夹目录树

data
  +Annotations
  +images

1. 加载网络参数

选择前面解压好的模型

2. 打开文件夹

打开images图片数据的文件夹

3. 更改标签保存路径

打开存放标签的Annotations文件夹

4. 添加标签

添加需要标注的标签

5. 选择json格式保存，点击目标开始标注

取消其他选项，选择保存为json格式

选择自动保存，F下一张，S上一张 只要标注翻页就可以自动保存

点击图片的人物，然后F下一张，提示是否完成最后一个标注之类的直接确定。会自动保存。

保存的json就像这样

二. 将数据转换为yolov5 训练所用的格式😠

将目录结构补全

data
  +Annotations
  +images
  +labels

1. 将json文件 转换为txt

json2txt.py

#!/usr/bin/ python
# -*- encoding: utf-8 -*-
'''
@文件    :json2txt.py
@说明    :
@时间    :2022/05/25 10:28:19
@作者    :刘子沫
@邮箱    :spiritai@qq.com
@版本    :1.0
'''


import json
import cv2
import numpy as np
import glob

def totxt():
        # 第二列：中心归一化横坐标（x）
        # 第三列：中心归一化纵坐标（y）
        # 第四列：归一化宽度（w）
        # 第五列：归一化高度（h）

        height,width = img.shape[0],img.shape[1]
        dw = 1 / width
        dh = 1/ height
        
        with open(out_txt_file, "w+") as f:
            for shape in data:
                points = shape["points"]
                cls_id = shape["labelIdx"]-1
                xmin, ymin, w, h = cv2.boundingRect(np.array(points, dtype=np.int))
                xmax = xmin+w
                ymax = ymin+h

                x = (xmin + xmax) / 2.0 - 1
                y = (ymin + ymax) / 2.0 - 1
                w = xmax - xmin
                h = ymax - ymin
                if w < 50 or h < 50:
                    continue
                x = x * dw
                w = w * dw
                y = y * dh
                h = h * dh
                f.write("%s %s %s %s %s\n"%(cls_id,x, y, w, h))


if __name__=="__main__":
    # 文件列表
    json_list = glob.glob("Annotations/*.json")
    for file in json_list:
        basename = file.split("\\")[-1].split(".")[0]
        # 读取图片
        img = cv2.imread("images/"+basename+".png")
        if img is None:
            continue
        # 读取json文件
        data = ""
        with open(file, 'r', encoding='utf-8') as f:
            data = json.load(f)
      	# yololabels
        out_txt_file = "labels/" + basename + ".txt"
        totxt()

2. 按比例分割为train,test,val 数据集

maketxt.py

#!/usr/bin/ python
# -*- encoding: utf-8 -*-
'''
@文件    :maketxt.py
@说明    :
@时间    :2022/05/25 11:13:15
@作者    :刘子沫
@邮箱    :spiritai@qq.com
@版本    :1.0
'''

import glob
import numpy as np

sets = ['train', 'test','val']
percent = [65,15,20] # 比例总和100
if __name__=="__main__":
    labels_list = glob.glob("labels/*.txt")
    # 文件下标转换为100列的矩阵
    l = len(labels_list)
    remainder = l%100
    total = np.asarray(range(l-remainder))
    # 随机打乱
    np.random.shuffle(total)
    total = total.reshape(int(l/100),100)
    # 按比例分割矩阵 取下标
    for idx,(set,per) in enumerate(zip(sets,percent)):
        index = total[:,:per].copy()
        # 更新total
        total = np.delete(total,np.s_[:per],axis=1)
        index = index.reshape(-1)
        # 写入txt
        with open(set+".txt", "w+") as f:
            for i in index:
                f.write("data/images/%s.png\n"%labels_list[i].split("\\")[-1].split(".")[0])
            # 剩余的写入txt
            if idx==0:
                for i in range(l-remainder,l):
                    f.write("data/images/%s.png\n"%labels_list[i].split("\\")[-1].split(".")[0])

三. 训练yolov5 模型😸

yolov5 v6.1 源码

将data文件放入yolov5 的目录下面 合并原来的data

1. 修改data下面的yaml文件

将data下面的coco.yaml 复制一份 重新命名为my.yaml，主要修改以下内容

# data
train: data/train.txt
val: data/val.txt
test: data/test.txt

# Classes
nc: 2  # 数量 number of classes
names: ['nothing', 'fall',]  # 自己的class names

2. 修改model下面的对应的模型文件的分类数量

用哪个模型就改哪个模型对应的文件，新手只修改nc 类别数量

3. 命令行训练

指定我们刚才修改的两个文件，设置适当的batch-size 和 epoch（内存不足就调小）,windows 下面需要将 workers 设置为1

python train.py --data data/my.yaml --cfg models/yolov5x.yaml --batch-size 16 --epochs 300 --workers 1 

😼
😼
😼

最后：接软件定制，代写。群 686070107