yolov5训练
一、准备工作
1.配置环境
https://github.com/ultralytics/yolov5
首先进入u大佬的GitHub主页,把项目下载下来。
然后进入目录打开终端,pip install -U -r requirements.txt即可安装好yolov5所需环境,如果运行detect.py出现问题,依据报错自行修改。(百度有很多装torch的教程和视频,多查查就能装好)
2.数据集准备
和yolov3的数据集准备一样,本文参考这个链接https://blog.csdn.net/public669/article/details/98020800
按照上面文章准备好数据集以后,data目录应该是这个样子的:
数据装载(引用此处的数据集https://github.com/cosmicad/dataset)
将数据集Annotations、JPEGImages复制到YOLOV5工程目录下的data文件下;同时新建两个文件夹,分别命名为ImageSets和labels,最后我们将JPEGImages文件夹复制粘贴一下,并将文件夹重命名为images
构建代码
在工程的根目录下新建一个文件makeTxt.py,代码如下:
import os
import random
trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
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('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/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()
接着再新建另一个文件voc_label.py,代码如下:
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets = ['train', 'test','val']
classes = ["RBC"]
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()
print(wd)
for image_set in sets:
if not os.path.exists('data/labels/'):
os.makedirs('data/labels/')
image_ids = open('data/ImageSets/%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()
分别运行makeTxt.py和voc_label.py
运行makeTxt.py后ImagesSets后面会出现四个文件,如下图:
主要存储图片名称
运行voc_label.py后labels后,如下图所示:
这里得到的不光是文件名,还有文件的具体路径
修改coco.yaml(位于data文件夹中)
3.网络参数修改
这个不同于yolov3使用的darknet的cfg文件,作者使用了yaml文件(位于models->yolov5s.yaml),要修改的也非常简单。
修改nc为你自己数据集的类别数即可。
4.修改train.py中的
二、开始训练
1.读取文件参数修改
在train.py里的最后把–cfg、–data、–device、–name、–batch-size改为准备工作中的符合自己数据集的文件或参数就ok啦!
2.训练运行train.py
运行即可。
3.输出
这里作者用了tensorboard,训练结果可视化更加方便。
4.检测
运行detect.py即可。