YOLOv7训练自己的数据集(简洁流程版)

目录

下载yolov7源码

LabelImg制作YOLO格式的数据集

划分数据集

编辑配置文件

差不多已经可以训练模型了

---

下载yolov7源码

在yolov7项目根路径下的data文件夹内创建dataset文件夹

data/dataset/images存放jpg图片

data/dataset/labels存放将要制作的YOLO格式数据集的标签

LabelImg制作YOLO格式的数据集

设置保存格式为YOLO，标签保存文件夹为data/dataset/labels

划分数据集

将data/dataset/labels内的classes.txt剪切粘贴到data/dataset

将这份代码内的路径参数进行必要的修改：

比如：

train_percent = 0.75 val_percent = 0.25 test_percent = 0.0

 # 将图片和标注数据按比例切分为 训练集和测试集
 import shutil
 import random
 import os
 ​
 # 原始路径
 image_original_path = "./data/dataset/images/"
 label_original_path = "./data/dataset/labels/"
 ​
 cur_path = os.getcwd()
 ​
 # 训练集路径
 train_image_path = os.path.join(cur_path, "data/dataset/processed/images/train/")
 train_label_path = os.path.join(cur_path, "data/dataset/processed/labels/train/")
 ​
 # 验证集路径
 val_image_path = os.path.join(cur_path, "data/dataset/processed/images/val/")
 val_label_path = os.path.join(cur_path, "data/dataset/processed/labels/val/")
 ​
 # 测试集路径
 test_image_path = os.path.join(cur_path, "data/dataset/processed/images/test/")
 test_label_path = os.path.join(cur_path, "data/dataset/processed/labels/test/")
 ​
 # 训练集目录
 list_train = os.path.join(cur_path, "data/dataset/processed/train.txt")
 list_val = os.path.join(cur_path, "data/dataset/processed/val.txt")
 list_test = os.path.join(cur_path, "data/dataset/processed/test.txt")
 ​
 train_percent = 0.75
 val_percent = 0.25
 test_percent = 0.0
 ​
 ​
 def del_file(path):
     for i in os.listdir(path):
         file_data = path + "\\" + i
         os.remove(file_data)
 ​
 ​
 def mkdir():
     if not os.path.exists(train_image_path):
         os.makedirs(train_image_path)
     else:
         del_file(train_image_path)
     if not os.path.exists(train_label_path):
         os.makedirs(train_label_path)
     else:
         del_file(train_label_path)
 ​
     if not os.path.exists(val_image_path):
         os.makedirs(val_image_path)
     else:
         del_file(val_image_path)
     if not os.path.exists(val_label_path):
         os.makedirs(val_label_path)
     else:
         del_file(val_label_path)
 ​
     if not os.path.exists(test_image_path):
         os.makedirs(test_image_path)
     else:
         del_file(test_image_path)
     if not os.path.exists(test_label_path):
         os.makedirs(test_label_path)
     else:
         del_file(test_label_path)
 ​
 ​
 def clearfile():
     if os.path.exists(list_train):
         os.remove(list_train)
     if os.path.exists(list_val):
         os.remove(list_val)
     if os.path.exists(list_test):
         os.remove(list_test)
 ​
 ​
 def main():
     mkdir()
     clearfile()
 ​
     file_train = open(list_train, 'w')
     file_val = open(list_val, 'w')
     file_test = open(list_test, 'w')
 ​
     total_txt = os.listdir(label_original_path)
     num_txt = len(total_txt)
     list_all_txt = range(num_txt)
 ​
     num_train = int(num_txt * train_percent)
     num_val = int(num_txt * val_percent)
     num_test = num_txt - num_train - num_val
 ​
     train = random.sample(list_all_txt, num_train)
     # train从list_all_txt取出num_train个元素
     # 所以list_all_txt列表只剩下了这些元素
     val_test = [i for i in list_all_txt if not i in train]
     # 再从val_test取出num_val个元素，val_test剩下的元素就是test
     val = random.sample(val_test, num_val)
 ​
     print("训练集数目：{}, 验证集数目：{}, 测试集数目：{}".format(len(train), len(val), len(val_test) - len(val)))
     for i in list_all_txt:
         name = total_txt[i][:-4]
 ​
         srcImage = image_original_path + name + '.jpg'
         srcLabel = label_original_path + name + ".txt"
 ​
         if i in train:
             dst_train_Image = train_image_path + name + '.jpg'
             dst_train_Label = train_label_path + name + '.txt'
             shutil.copyfile(srcImage, dst_train_Image)
             shutil.copyfile(srcLabel, dst_train_Label)
             file_train.write(dst_train_Image + '\n')
         elif i in val:
             dst_val_Image = val_image_path + name + '.jpg'
             dst_val_Label = val_label_path + name + '.txt'
             shutil.copyfile(srcImage, dst_val_Image)
             shutil.copyfile(srcLabel, dst_val_Label)
             file_val.write(dst_val_Image + '\n')
         else:
             dst_test_Image = test_image_path + name + '.jpg'
             dst_test_Label = test_label_path + name + '.txt'
             shutil.copyfile(srcImage, dst_test_Image)
             shutil.copyfile(srcLabel, dst_test_Label)
             file_test.write(dst_test_Image + '\n')
 ​
     file_train.close()
     file_val.close()
     file_test.close()
 ​
 ​
 if __name__ == "__main__":
     main()

运行后，代码已经自动生成了data/dataset/processed的内容

编辑配置文件

1. 复制cfg\training\预训练权重对应的yaml文件到原处但重新命名，这里假设把cfg\training\yolov7-tiny.yaml复制并修改为了cfg\training\yolov7-tiny-underwater.yaml。

   修改cfg\training\yolov7-tiny-underwater.yaml内容，nc改为自己数据集的类别数，不用包含背景类。

1. 复制data\coco.yaml并重命名创建为data\mydata.yaml

   修改类似于这样：

    # train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
    train: ./data/dataset/processed/train.txt
    val: ./data/dataset/processed/val.txt
    test: ./data/dataset/processed/test.txt
    ​
    # number of classes
    nc: 4
    ​
    # class names
    names: [ 'square', 'circle', 'triangle', 'start' ]

差不多已经可以训练模型了

参数配置不用每个都详细解释了，大概要注意的是

• weights：指定初始权重的路径。

• cfg：指定模型配置文件的路径。

• data：指定数据集的配置文件的路径。

• hyp：指定超参数的路径。

• epochs：指定训练的轮数。

• batch-size：指定每个批次的图像数量。

• img-size：指定训练和测试图像的大小。

• device：指定使用的设备，可以是GPU或CPU。

• workers：指定数据加载器的最大数量。

• name：指定训练的名称。

 if __name__ == '__main__':
     parser = argparse.ArgumentParser()
     parser.add_argument('--weights', type=str, default='best.pt', help='initial weights path')
     parser.add_argument('--cfg', type=str, default='cfg/training/yolov7-tiny-underwater.yaml', help='model.yaml path')
     parser.add_argument('--data', type=str, default='data/mydata.yaml', help='data.yaml path')
     parser.add_argument('--hyp', type=str, default='data/hyp.scratch.tiny.yaml', help='hyperparameters path')
     parser.add_argument('--epochs', type=int, default=600)
     parser.add_argument('--batch-size', type=int, default=1, help='total batch size for all GPUs')
     parser.add_argument('--img-size', nargs='+', type=int, default=[128, 128], help='[train, test] image sizes')
     parser.add_argument('--rect', action='store_true', help='rectangular training')
     parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
     parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
     parser.add_argument('--notest', action='store_true', help='only test final epoch')
     parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')
     parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters')
     parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
     parser.add_argument('--cache-images', action='store_true', help='cache images for faster training')
     parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
     parser.add_argument('--device', default='0', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
     parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
     parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
     parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')
     parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
     parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')
     parser.add_argument('--workers', type=int, default=2, help='maximum number of dataloader workers')
     parser.add_argument('--project', default='runs/train', help='save to project/name')
     parser.add_argument('--entity', default=None, help='W&B entity')
     parser.add_argument('--name', default='exp-yolov7-tiny', help='save to project/name')
     parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
     parser.add_argument('--quad', action='store_true', help='quad dataloader')
     parser.add_argument('--linear-lr', action='store_true', help='linear LR')
     parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
     parser.add_argument('--upload_dataset', action='store_true', help='Upload dataset as W&B artifact table')
     parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval for W&B')
     parser.add_argument('--save_period', type=int, default=-1, help='Log model after every "save_period" epoch')
     parser.add_argument('--artifact_alias', type=str, default="latest", help='version of dataset artifact to be used')
     parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone of yolov7=50, first3=0 1 2')
     parser.add_argument('--v5-metric', action='store_true', help='assume maximum recall as 1.0 in AP calculation')
     opt = parser.parse_args()

issue with training · Issue #1537 · WongKinYiu/yolov7 · GitHub

Yolov7训练自己的数据集（超详细教程）_boligongzhu的博客-CSDN博客