yolov3-pytorch(ultralytics)训练数据

笔记教程，方便自己回忆，纯小白，目前啥也不懂，只知道步骤
建议直接看下面的官方教程，比较明确
系统：Ubuntu 18.04

1、准备工作

1.1、克隆项目

1. 为了防止文件夹混乱，自己在主目录下cd ~创建一个文件夹mkdir YOLOv3，专门用于存放关于YOLOv3的一些工作。
2. 进入YOLOv3cd YOLOv3
3. 克隆git clone git@github.com:ultralytics/yolov3.git
   

1.2、安装模块

1. 创建虚拟环境conda create -n yolov3-pytorch-ultralytics python=3.8，python版本最好3.8或者以上
2. 激活虚拟环境并进入conda activate yolov3-pytorch-ultralytics
3. 通过项目下面的 requirements.txt 安装项目需要的模块pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt，如果设置过了pip源，就直接使用pip3 install -r requirements.txt -i，否则下载速度会很慢。

1.3、数据准备

1. 在yolov3目录下的data目录中创建四个文件夹，分别是Annotations、images与ImageSets。

   • Annotations存放xml文件
   • images存放图像
   • ImageSets新建Main文件存放train与test文件（脚本生成）

2. 在data目录下面新建一个py文件ImageSets.py，用于生成ImageSets目录下Main目录中的train.txt和test.txt文件。使用python3 ImageSets.py执行。

import os
import random
 
trainval_percent = 0.2   #可自行进行调节
train_percent = 1
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
total_xml = os.listdir(xmlfilepath)
 
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
 
#ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
#fval = open('ImageSets/Main/val.txt', 'w')
 
for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        #ftrainval.write(name)
        if i in train:
            ftest.write(name)
        #else:
            #fval.write(name)
    else:
        ftrain.write(name)
 
#ftrainval.close()
ftrain.close()
#fval.close()
ftest.close()

3. 在yolov3目录下建立voc_labels.py文件生成labels标签文件。使用python3 voc_labels.py执行。

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
 
sets = ['train', 'test']
 
classes = ['cf','os','rd','so','tc']  #自己训练的类别
 
 
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('data/Annotations/%s.xml' % (image_id))
    out_file = open('data/labels/%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')
 
 
wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write('data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()