Yolov5 7.0 训练自己的模型

Yolov5 7.0 训练自己的模型教程

  教程说明：本教程不提供文档教程安装，但有视频教程，包括一些软件安装的安装包，后续项目也会开源给大家。

  该教程主要说明，从零开始收集数据集，到标注数据集，最后训练数据集以及一些工具的使用。主要分为了六个步骤，

1.数据集的收集，

2.数据集存放文件格式，

3.标注数据集，

4.数据集的划分，

5.训练自己的yolov5模型，

6.使用自己训练的模型进行目标识别，

大体步骤就分为这些，步骤比较多，初学还是挺不容易的。

1.收集数据集

在进行模型训练时，首先我们要确定我们要进行目标识别的对象，本教程用到的是玉米病害，这里我们说一下什么样的的数据集对训练更有优势。

（1）.图片大小尽量一致

（2）.图片尽可能清晰

（3）.数据集数据尽可能多

（4）.环境多样性的图片

 

我这次搜集了玉米相关的叶片病变识别，以及健康叶的识别gls(南方叶斑病)、nls(北方叶斑病)、nlb（北方枯叶病）、以及健康叶，进千张图片。

在收集图片时，尽可能的重命名一下图片，在你标注数据集时，它会有大用处。

2.数据集存放文件格式

收集好后，接下来我们准备好文件格式，

文件名VOCdevkit

├── VOC2007

│ ├── JPEGImages  存放需要打数据集图片文件

│ ├── Annotations  存放标注的标签文件

│ ├── predefined_classes.txt  定义自己要标注的所有类别

！！！：VOCdevkit一定不要放在有中文名的路径中，如果你的电脑名称时中文，没关系，你放在d盘或其他盘即可。

 ！！！：predefined_classes.txt这个文件存放你想要标注的数据集种类，我这里识别四个目标，就需要创建四个数据，一种对应一种类型。

 

一定创建这样的文件格式，到时候划分数据集，就可以直接使用的下面代码进行数据集划分。

到这里数据集就收集完毕，下面进入数据集的标注。

3.标注yolo数据集

我们使用labelimg进行数据集的标注。

首先我们来安装labelimg，

在win桌面按组合键win+R打开终端输入下面指令，

pip install labelimg -i Simple Index

 

安装成功后，下面正式进入数据集的标注

我的VOCdevkit放在桌面上，输入dir显示该目录的文件

进入桌面

输入dir,显示桌面目录文件，看是否有VOCdevkit文件，接下来进入该文件

 

同理，在进入VOC2007文件夹

 

接下来在该路径下，启动labelimg,指令如下

labelimg JPEGImages predefined_classes.txt

结果如下，

 

 

：待标注的图片文件夹路径（选择放置照片的JPEGimages文件夹）

：以标注的数据文件（我们直接通过它选中YOLO_文件夹）

格式：这里选择yolo格式（yolo训练需要）

如果你选择也可以，使用它标注产生xmal（voc）文件，但是需要去网上找脚本，转换xmal（voc）文件为txt(yolo)文件。（本教程选yolo格式，也就是生产.txt文件）

接下来设置一些东西，

 

接下来，我们介绍一下常用的一些操作

w:进入标注模式

a:上一张图片

d:下一张图片

：通过他退出标注模式（如果你标错标签，可点此退出，然后点你的标错的框，按delete即可删除）

 

具体怎么标注呢？

首先按下w进入转换为标准模式，然后就可以进行框图和打标签了，弄错了也没关系，点edit rectbox，然后选中你要删除的标注框，点击delect即可。

 

接下来把你的数据集全部标注完成就可以进入下一步了。

划分yolo数据集(验证集、训练集、测试集)

4.数据集的划分

在该vocdevkit路径下创建一个.py文件

 

 

.py文件下放入下面代码，修改代码最后的文件路径，改为你自己的文件路径

import os, shutil, random

from tqdm import tqdm



"""

标注文件是yolo格式（txt文件）

训练集：验证集：测试集 （7：2：1）

"""





def split_img(img_path, label_path, split_list):

    try:

        Data = './VOCdevkit/VOC2007/ImageSets'

        # Data是你要将要创建的文件夹路径（路径一定是相对于你当前的这个脚本而言的）

        # os.mkdir(Data)



        train_img_dir = Data + '/images/train'

        val_img_dir = Data + '/images/val'

        test_img_dir = Data + '/images/test'



        train_label_dir = Data + '/labels/train'

        val_label_dir = Data + '/labels/val'

        test_label_dir = Data + '/labels/test'



        # 创建文件夹

        os.makedirs(train_img_dir)

        os.makedirs(train_label_dir)

        os.makedirs(val_img_dir)

        os.makedirs(val_label_dir)

        os.makedirs(test_img_dir)

        os.makedirs(test_label_dir)



    except:

        print('文件目录已存在')



    train, val, test = split_list

    all_img = os.listdir(img_path)

    all_img_path = [os.path.join(img_path, img) for img in all_img]

    # all_label = os.listdir(label_path)

    # all_label_path = [os.path.join(label_path, label) for label in all_label]

    train_img = random.sample(all_img_path, int(train * len(all_img_path)))

    train_img_copy = [os.path.join(train_img_dir, img.split('\\')[-1]) for img in train_img]

    train_label = [toLabelPath(img, label_path) for img in train_img]

    train_label_copy = [os.path.join(train_label_dir, label.split('\\')[-1]) for label in train_label]

    for i in tqdm(range(len(train_img)), desc='train ', ncols=80, unit='img'):

        _copy(train_img[i], train_img_dir)

        _copy(train_label[i], train_label_dir)

        all_img_path.remove(train_img[i])

    val_img = random.sample(all_img_path, int(val / (val + test) * len(all_img_path)))

    val_label = [toLabelPath(img, label_path) for img in val_img]

    for i in tqdm(range(len(val_img)), desc='val ', ncols=80, unit='img'):

        _copy(val_img[i], val_img_dir)

        _copy(val_label[i], val_label_dir)

        all_img_path.remove(val_img[i])

    test_img = all_img_path

    test_label = [toLabelPath(img, label_path) for img in test_img]

    for i in tqdm(range(len(test_img)), desc='test ', ncols=80, unit='img'):

        _copy(test_img[i], test_img_dir)

        _copy(test_label[i], test_label_dir)





def _copy(from_path, to_path):

    shutil.copy(from_path, to_path)





def toLabelPath(img_path, label_path):

    img = img_path.split('\\')[-1]

    label = img.split('.jpg')[0] + '.txt'

    return os.path.join(label_path, label)





if __name__ == '__main__':

    img_path = 'C:\\Users\\IOT_C3_306\\Desktop\\VOCdevkit_1\\VOC2007\\JPEGImages'  # 你的图片存放的路径（路径一定是相对于你当前的这个脚本文件而言的）

    label_path = 'C:\\Users\\IOT_C3_306\\Desktop\\VOCdevkit_1\\VOC2007\\YOLO_'  # 你的txt文件存放的路径（路径一定是相对于你当前的这个脚本文件而言的）

    split_list = [0.7, 0.2, 0.1]  # 数据集划分比例[train:val:test]

    split_img(img_path, label_path, split_list)

 

##运行代码，这样说明你的数据集划分成功。

 

进入VOCdevkit文件夹下多了个文件VOCdevkit，可以看到数据已经划分完成。

5.训练自己yolov5模型

接下来我们就可以开始训练模型了，

将划分好的VOCdevkit文件夹直接复制进你的yolov5工程目录下，

在data文件夹下创建m_data.yaml文件，我这里是agr.yaml文件，你可以自己取名。

编译文件以下内容，

train: VOCdevkit/VOC2007/imageSets/images/train

val: VOCdevkit/VOC2007/imageSets/images/val

test: VOCdevkit/VOC2007/imageSets/images/test

#上面的内容可以不变

 

nc: 4#这里输入你的标注的目标种类数量，我这里有四个就填四。

 

names: [ 'healthy','nls','gls' ,'nlb']#这里是之前你创predefined_classes.txt文件夹的内容，也就是你目标对应的名称。

 

打开models文件复制yolov5s.yaml文件夹，这里我是yolov5s_agr.yaml文件夹，名字你可随意取

修改为你的nc目标种类数量即可

 

接下来打开train.py文件

找到如下代码，

修改为你刚修改的文件路径

 

修改训练轮数，看你自己需求，最好不要低于100轮，

 

根据你电脑的需求进行配置

 

配置好后直接运动train.py代码，时间比较久，需等待等待，我用的电脑i9显卡3080ti

时间一个小时左右。

训练完，打runs/train/weight文件夹，这里会看到两个.pt文件，其中，best.pt是训练过程表现最好的模型，last是最后一次迭代的模型版本。

选择一个使用吧

6.使用自己的训练模型进行识别

在工程下创建weight文件夹用于存放训练好的模型，选择你刚训练好的模型文件，复制模型至weight，如下，我是改名了，你可以不用改名

接下来打开工程中的detect文件，下拉找到如下部分，修改配置

 

修改权重文件和识别源，这里我是一张照片文件源，在工程目录下

调用本地摄像头,更改为ROOT / ‘0’

 

这里只展示图片，

这里更改识别置信度，这里我是0.4，意思就是识别相似度超过0.4，就框图，我们就可以看到显示

我们先看一下原图

接下来配置好了，运行detect.py，运行结束后，在runs文件夹下找运行结果。

我的运行结果如下

到此教程结束，谢谢！