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
- 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。 - 进入YOLOv3
cd YOLOv3
- 克隆
git clone git@github.com:ultralytics/yolov3.git
1.2、安装模块
- 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 - 激活虚拟环境并进入
conda activate yolov3-pytorch-ultralytics
- 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
-
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)
-
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()
- 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()