使用Yolov5训练自己制作的数据集，快速上手（详细图文教程）

视觉研坊

已于 2024-05-06 17:10:27 修改

阅读量1.3w

点赞数 44

分类专栏：目标检测文章标签： python 目标检测视觉检测 pytorch

于 2022-06-08 15:05:48 首次发布

本文链接：https://blog.csdn.net/qq_40280673/article/details/125168930

版权

目标检测专栏收录该内容

4 篇文章 0 订阅

订阅专栏

欢迎学习yolo、ncnn系列相关文章，从训练、模型转换、精度分析，评估到部署Android端，推荐好资源：

一、YoloV5训练自己数据集并测试
 二、ncnn编译和安装
 三、onnx模型转ncnn模型并推理可执行程序（resnet18例子）
四、yolov5-6.0Pyotorch模型转onxx模型再转ncnn模型部署
 五、训练自己YOLOv5模型转ncnn模型并部署到Android手机端

在这里插入图片描述

总结了快速上手Yolov5训练自己制作的数据集的方法，步骤都很详细，学者耐心看。

一、准备好Yolov5框架

我提供了一个已经调试好的源码包，后面的教程也都是基于我自己提供的源码包讲解的，学习者自行下载，下载源码包的方法为：文章末扫码到公众号中回复关键字：目标检测YoloV5。获取下载链接。

当然也可以下载官方给出最原始的Yolov5框架，在Github上下载，下载链接为:官网
打开链接后的样纸见下，下载5.0，对应的就是yolov5框架：

在这里插入图片描述

二、关于数据集的问题

Yolov5训练用的数据集格式是yolo格式，Yolov3训练用的数据集格式是VOC格式，这是两种训练模型使用数据集不同的地方，关于数据集格式的选择，我推荐VOC格式，在打标签的时候就直接制作为VOC数据集格式，后期可以用一段代码就直接将VOC数据集转换为yolo数据集，特别的方便，这样就可以打一次标签的数据集用在多种训练模型上，省事。

VOC数据集的制作详见我另外的一篇博客，里面我详细介绍了VOC数据集的制作，链接为:VOC数据集制作

三、VOC格式数据集转yolo格式数据集

VOC格式数据集转yolo格式数据集，还是采用Yolov3存放数据集的文件，将包含VOC数据集的文件直接复制到Yolov5的根目录下，运行下面代码就可以直接将VOC格式数据集转为yolo格式数据集，代码会自动的分出训练集，验证集，分配比例可以自定义设置。怎么复制文件？见下：

在这里插入图片描述

在文件VOCdevkit中包含的内容见下：

在这里插入图片描述

在Yolov5项目中直接运行以下代码，就可以将VOC格式数据集转为yolo格式数据集了，代码见下：

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 = ["Before a whole","After a whole","Chest former","Chest after","Raise hand before","Raise hand after","Global left position","Global right position","Front face","Left face","Right face"]        ##这里要写好标签对应的类
# classes=["ball"]

TRAIN_RATIO = 80     #表示将数据集划分为训练集和验证集，按照2:8比例来的


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('VOCdevkit/VOC2007/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, "VOCdevkit/")
if not os.path.isdir(data_base_dir):
    os.mkdir(data_base_dir)
work_sapce_dir = os.path.join(data_base_dir, "VOC2007/")
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()

运行上面代码后，新转换得到的yolo数据集见下：

在这里插入图片描述

上图中，我已经标明了哪个文件中存放训练用的数据集，验证集和哪个文件存放标签等的对应文件位置。

四、训练模型

数据集制作好后就可以开始训练我们自己的模型了，这里我提供一个我自己已经调试通的源码包，建议学习者下载后按照我下面的步骤调试，训练成功的概率也较大些，我也是在官方的原始框架基础上进行改进后运行的，中间也有很多坑，这些坑在我代码中已经补好了，学习者可以放心下载使用，另外我的源码包中还提供了数据集，学习者可以直接使用。

下载好解压后的文件夹样纸见下：

在这里插入图片描述