YOLO5-v5.0训练自定义数据集（完整教程）

数虫

已于 2023-07-25 13:08:05 修改

阅读量1.3k

点赞数 3

分类专栏：深度学习图像算法文章标签：深度学习 python 机器学习

于 2023-05-19 13:36:10 首次发布

本文链接：https://blog.csdn.net/qq_31807039/article/details/130761433

版权

本教程详细介绍了如何使用YOLOv5-v5.0训练自定义数据集的全过程，包括使用labelimg制作数据集、数据集格式转换、模型训练及推理测试。涉及关键步骤如数据准备、模型配置、预训练权重下载及训练参数调整。

摘要由CSDN通过智能技术生成

labelimg制作自己训练数据集

labelimg安装

在window系统中的安装，在Anaconda Prompt输入以下的命令：

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

数据准备

新建VOC2007，在该文件下再新建3个文件JPEGImages、Annotations、predefined_classes.txt（非必须），最好按照一样方式命名，方便后面操作；
JPEGImages：存放需要打标签的图片；
Annotations：存放标注的标签文件；
predefined_classes.txt：定义自己要标注的所有类别（定义类别比较多的时候，最好创建一个这样的txt文件来存放类别）；

数据标记

在Anaconda Prompt输入：labelimg，打开标注工具

：打开单张要标记的图片；

:要标注图片的文件夹；

：这个按键可以说明我们标注的标签为voc格式，点击可以换成yolo或者createML格式。

：选择画目标窗口；

我们选用VOC格式，将标注好的文件放在Annotations文件下面

自己训练数据集转化为训练集和测试集

一般目标检测的数据集资源标签的格式都是VOC：xml格式，而yolov5训练所需要的文件格式是yolo：txt格式，则需要对xml格式的标签文件转换为txt文件。同时训练自己的yolov5检测模型的时候，数据集需要划分为训练集和验证集。文件格式：新建文件夹VOCdevkit，将上述VOC2007文件放入该文件夹下；运行代码如下-文件格式一样就不需要改动
TRAIN_RATIO = 80:训练集与验证集比例80%，自己可改

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
# 自己标注的类型
classes=["mouse"]
#训练集与验证集比例80%，自己可改
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('VOCdevkit/VOC2007/Annotations/%s.xml' % image_id)
    out_file = open(&