本文详细介绍了如何使用Labelme数据格式，结合YOLOv5进行目标检测模型的训练。包括下载YOLOv5代码、配置环境、准备和转换数据集、修改配置参数、训练模型、查看训练结果以及进行测试的全过程。数据集由RSOD获取并转换，通过LabelmeToYoloV5.py和MakeData.py生成符合YOLOv5格式的数据集，最终利用转换后的数据集训练模型。
<link rel="stylesheet" href="https://csdnimg.cn/release/blogv2/dist/mdeditor/css/editerView/ck_htmledit_views-b5506197d8.css">
<div id="content_views" class="htmledit_views">
<p id="main-toc"> </p>
目录
摘要
YOLOV5严格意义上说并不是YOLO的第五个版本，因为它并没有得到YOLO之父Joe Redmon的认可，但是给出的测试数据总体表现还是不错。详细数据如下：
YOLOv5并不是一个单独的模型，而是一个模型家族，包括了YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x、YOLOv5x+TTA，这点有点儿像EfficientDet。由于没有找到V5的论文，我们也只能从代码去学习它。总体上和YOLOV4差不多，可以认为是YOLOV5的加强版。
项目地址：https://github.com/ultralytics/YOLOv5
训练
1、下载代码
项目地址：https://github.com/ultralytics/YOLOv5，最近作者又更新了一些代码。
2、配置环境
3、准备数据集
数据集采用Labelme标注的数据格式，数据集从RSOD数据集中获取了飞机和油桶两类数据集，并将其转为Labelme标注的数据集。
数据集的地址： https://pan.baidu.com/s/1iTUpvA9_cwx1qiH8zbRmDg
提取码：gr6g
或者：https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/14003627
将下载的数据集解压后放到工程的根目录。为下一步生成测试用的数据集做准备。如下图：
4、生成数据集
YoloV5的数据集和以前版本的数据集并不相同，我们先看一下转换后的数据集。
数据结构如下图：
images文件夹存放train和val的图片
labels里面存放train和val的物体数据，里面的每个txt文件和images里面的图片是一一对应的。
txt文件的内容如下：
格式：物体类别 x y w h
坐标是不是真实的坐标，是将坐标除以宽高后的计算出来的，是相对于宽和高的比例。
下面我们编写生成数据集的代码，新建LabelmeToYoloV5.py，然后写入下面的代码。
-
import os
-
-
import numpy
as np
-
-
import json
-
-
from glob
import glob
-
-
import cv2
-
-
from sklearn.model_selection
import train_test_split
-
-
from os
import getcwd
-
-
-
-
classes = [
"aircraft",
"oiltank"]
-
-
# 1.标签路径
-
-
labelme_path =
"LabelmeData/"
-
-
isUseTest =
True
# 是否创建test集
-
-
# 3.获取待处理文件
-
-
files = glob(labelme_path +
"*.json")
-
-
files = [i.replace(
"\\",
"/").split(
"/")[
-1].split(
".json")[
0]
for i
in files]
-
-
print(files)
-
-
if isUseTest:
-
-
trainval_files, test_files = train_test_split(files, test_size=
0.1, random_state=
55)
-
-
else:
-
-
trainval_files = files
-
-
# split
-
-
train_files, val_files = train_test_split(trainval_files, test_size=
0.1, random_state=
55)
-
-
-
-
-
-
def convert(size, box):
-
-
dw =
1. / (size[
0])
-
-
dh =
1. / (size[
1])
-
-
x = (box[
0] + box[
1]) /
2.0 -
1
-
-
y = (box[
2] + box[
3]) /
2.0 -
1
-
-
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)
-
-
-
-
-
-
wd = getcwd()
-
-
print(wd)
-
-
-
-
-
-
def ChangeToYolo5(files, txt_Name):
-
-
if
not os.path.exists(
'tmp/'):
-
-
os.makedirs(
'tmp/')
-
-
list_file = open(
'tmp/%s.txt' % (txt_Name),
'w')
-
-
for json_file_
in files:
-
-
json_filename = labelme_path + json_file_ +
".json"
-
-
imagePath = labelme_path + json_file_ +
".jpg"
-
-
list_file.write(
'%s/%s\n' % (wd, imagePath))
-
-
out_file = open(
'%s/%s.txt' % (labelme_path, json_file_),
'w')
-
-
json_file = json.load(open(json_filename,
"r", encoding=
"utf-8"))
-
-
height, width, channels = cv2.imread(labelme_path + json_file_ +
".jpg").shape
-
-
for multi
in json_file[
"shapes"]:
-
-
points = np.array(multi[
"points"])
-
-
xmin = min(points[:,
0])
if min(points[:,
0]) >
0
else
0
-
-
xmax = max(points[:,
0])
if max(points[:,
0]) >
0
else
0
-
-
ymin = min(points[:,
1])
if min(points[:,
1]) >
0
else
0
-
-
ymax = max(points[:,
1])
if max(points[:,
1]) >
0
else
0
-
-
label = multi[
"label"]
-
-
if xmax <= xmin:
-
-
pass
-
-
elif ymax <= ymin:
-
-
pass
-
-
else:
-
-
cls_id = classes.index(label)
-
-
b = (float(xmin), float(xmax), float(ymin), float(ymax))
-
-
bb = convert((width, height), b)
-
-
out_file.write(str(cls_id) +
" " +
" ".join([str(a)
for a
in bb]) +
'\n')
-
-
print(json_filename, xmin, ymin, xmax, ymax, cls_id)
-
-
ChangeToYolo5(train_files,
"train")
-
-
ChangeToYolo5(val_files,
"val")
-
-
ChangeToYolo5(test_files,
"test")
这段代码执行完成会在LabelmeData生成每个图片的txt标注数据，同时在tmp文件夹下面生成训练集、验证集和测试集的txt，txt记录的是图片的路径，为下一步生成YoloV5训练和测试用的数据集做准备。在tmp文件夹下面新建MakeData.py文件，生成最终的结果，目录结构如下图：
打开MakeData.py,写入下面的代码。
-
import shutil
-
import os
-
-
file_List = [
"train",
"val",
"test"]
-
for file
in file_List:
-
if
not os.path.exists(
'../VOC/images/%s' % file):
-
os.makedirs(
'../VOC/images/%s' % file)
-
if
not os.path.exists(
'../VOC/labels/%s' % file):
-
os.makedirs(
'../VOC/labels/%s' % file)
-
print(os.path.exists(
'../tmp/%s.txt' % file))
-
f = open(
'../tmp/%s.txt' % file,
'r')
-
lines = f.readlines()
-
for line
in lines:
-
print(line)
-
line =
"/".join(line.split(
'/')[
-5:]).strip()
-
shutil.copy(line,
"../VOC/images/%s" % file)
-
line = line.replace(
'JPEGImages',
'labels')
-
line = line.replace(
'jpg',
'txt')
-
shutil.copy(line,
"../VOC/labels/%s/" % file)
执行完成后就可以生成YoloV5训练使用的数据集了。结果如下：
5、修改配置参数
打开voc.yaml文件，修改里面的配置参数
train: VOC/images/train/ # 训练集图片的路径
val: VOC/images/val/ # 验证集图片的路径
6、修改train.py的参数
cfg参数是YoloV5 模型的配置文件，模型的文件存放在models文件夹下面，按照需求填写不同的文件。
weights参数是YoloV5的预训练模型，和cfg对应，例：cfg配置的是yolov5s.yaml，weights就要配置yolov5s.pt
data是配置数据集的配置文件，我们选用的是voc.yaml，所以配置data/voc.yaml
修改上面三个参数就可以开始训练了，其他的参数根据自己的需求修改。修改后的参数配置如下：
修改完成后，就可以开始训练了。如下图所示：
7、查看训练结果
在经历了300epoch训练之后，我们会在runs文件夹下面找到训练好的权重文件和训练过程的一些文件。如图：
测试
首先需要在voc.yaml中增加测试集的路径，打开voc.yaml，在val字段后面增加test: tmp/test.txt这行代码，如图：
修改test.py中的参数，下面的这几个参数要修改。
parser = argparse.ArgumentParser(prog='test.py')
parser.add_argument('--weights', nargs='+', type=str, default='runs/exp7/weights/best.pt', help='model.pt path(s)')
parser.add_argument('--data', type=str, default='data/voc.yaml', help='*.data path')
parser.add_argument('--batch-size', type=int, default=2, help='size of each image batch')
parser.add_argument('--save-txt', default='True', action='store_true', help='save results to *.txt')
在275行 修改test的方法，增加保存测试结果的路径。这样测试完成后就可以在inference\images查看到测试的图片，在inference\output中查看到保存的测试结果。
如图：
下面是运行的结果：
代码和模型：https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/13094352
如果有打赏请扫描下面的二维码。
<link rel="stylesheet" href="https://csdnimg.cn/release/blogv2/dist/mdeditor/css/editerView/ck_htmledit_views-b5506197d8.css">
<div id="content_views" class="htmledit_views">
<p id="main-toc"> </p>
目录
摘要
YOLOV5严格意义上说并不是YOLO的第五个版本，因为它并没有得到YOLO之父Joe Redmon的认可，但是给出的测试数据总体表现还是不错。详细数据如下：
YOLOv5并不是一个单独的模型，而是一个模型家族，包括了YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x、YOLOv5x+TTA，这点有点儿像EfficientDet。由于没有找到V5的论文，我们也只能从代码去学习它。总体上和YOLOV4差不多，可以认为是YOLOV5的加强版。
项目地址：https://github.com/ultralytics/YOLOv5
训练
1、下载代码
项目地址：https://github.com/ultralytics/YOLOv5，最近作者又更新了一些代码。
2、配置环境
3、准备数据集
数据集采用Labelme标注的数据格式，数据集从RSOD数据集中获取了飞机和油桶两类数据集，并将其转为Labelme标注的数据集。
数据集的地址： https://pan.baidu.com/s/1iTUpvA9_cwx1qiH8zbRmDg
提取码：gr6g
或者：https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/14003627
将下载的数据集解压后放到工程的根目录。为下一步生成测试用的数据集做准备。如下图：
4、生成数据集
YoloV5的数据集和以前版本的数据集并不相同，我们先看一下转换后的数据集。
数据结构如下图：
images文件夹存放train和val的图片
labels里面存放train和val的物体数据，里面的每个txt文件和images里面的图片是一一对应的。
txt文件的内容如下：
格式：物体类别 x y w h
坐标是不是真实的坐标，是将坐标除以宽高后的计算出来的，是相对于宽和高的比例。
下面我们编写生成数据集的代码，新建LabelmeToYoloV5.py，然后写入下面的代码。
-
import os
-
-
import numpy
as np
-
-
import json
-
-
from glob
import glob
-
-
import cv2
-
-
from sklearn.model_selection
import train_test_split
-
-
from os
import getcwd
-
-
-
-
classes = [
"aircraft",
"oiltank"]
-
-
# 1.标签路径
-
-
labelme_path =
"LabelmeData/"
-
-
isUseTest =
True
# 是否创建test集
-
-
# 3.获取待处理文件
-
-
files = glob(labelme_path +
"*.json")
-
-
files = [i.replace(
"\\",
"/").split(
"/")[
-1].split(
".json")[
0]
for i
in files]
-
-
print(files)
-
-
if isUseTest:
-
-
trainval_files, test_files = train_test_split(files, test_size=
0.1, random_state=
55)
-
-
else:
-
-
trainval_files = files
-
-
# split
-
-
train_files, val_files = train_test_split(trainval_files, test_size=
0.1, random_state=
55)
-
-
-
-
-
-
def convert(size, box):
-
-
dw =
1. / (size[
0])
-
-
dh =
1. / (size[
1])
-
-
x = (box[
0] + box[
1]) /
2.0 -
1
-
-
y = (box[
2] + box[
3]) /
2.0 -
1
-
-
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)
-
-
-
-
-
-
wd = getcwd()
-
-
print(wd)
-
-
-
-
-
-
def ChangeToYolo5(files, txt_Name):
-
-
if
not os.path.exists(
'tmp/'):
-
-
os.makedirs(
'tmp/')
-
-
list_file = open(
'tmp/%s.txt' % (txt_Name),
'w')
-
-
for json_file_
in files:
-
-
json_filename = labelme_path + json_file_ +
".json"
-
-
imagePath = labelme_path + json_file_ +
".jpg"
-
-
list_file.write(
'%s/%s\n' % (wd, imagePath))
-
-
out_file = open(
'%s/%s.txt' % (labelme_path, json_file_),
'w')
-
-
json_file = json.load(open(json_filename,
"r", encoding=
"utf-8"))
-
-
height, width, channels = cv2.imread(labelme_path + json_file_ +
".jpg").shape
-
-
for multi
in json_file[
"shapes"]:
-
-
points = np.array(multi[
"points"])
-
-
xmin = min(points[:,
0])
if min(points[:,
0]) >
0
else
0
-
-
xmax = max(points[:,
0])
if max(points[:,
0]) >
0
else
0
-
-
ymin = min(points[:,
1])
if min(points[:,
1]) >
0
else
0
-
-
ymax = max(points[:,
1])
if max(points[:,
1]) >
0
else
0
-
-
label = multi[
"label"]
-
-
if xmax <= xmin:
-
-
pass
-
-
elif ymax <= ymin:
-
-
pass
-
-
else:
-
-
cls_id = classes.index(label)
-
-
b = (float(xmin), float(xmax), float(ymin), float(ymax))
-
-
bb = convert((width, height), b)
-
-
out_file.write(str(cls_id) +
" " +
" ".join([str(a)
for a
in bb]) +
'\n')
-
-
print(json_filename, xmin, ymin, xmax, ymax, cls_id)
-
-
ChangeToYolo5(train_files,
"train")
-
-
ChangeToYolo5(val_files,
"val")
-
-
ChangeToYolo5(test_files,
"test")
这段代码执行完成会在LabelmeData生成每个图片的txt标注数据，同时在tmp文件夹下面生成训练集、验证集和测试集的txt，txt记录的是图片的路径，为下一步生成YoloV5训练和测试用的数据集做准备。在tmp文件夹下面新建MakeData.py文件，生成最终的结果，目录结构如下图：
打开MakeData.py,写入下面的代码。
-
import shutil
-
import os
-
-
file_List = [
"train",
"val",
"test"]
-
for file
in file_List:
-
if
not os.path.exists(
'../VOC/images/%s' % file):
-
os.makedirs(
'../VOC/images/%s' % file)
-
if
not os.path.exists(
'../VOC/labels/%s' % file):
-
os.makedirs(
'../VOC/labels/%s' % file)
-
print(os.path.exists(
'../tmp/%s.txt' % file))
-
f = open(
'../tmp/%s.txt' % file,
'r')
-
lines = f.readlines()
-
for line
in lines:
-
print(line)
-
line =
"/".join(line.split(
'/')[
-5:]).strip()
-
shutil.copy(line,
"../VOC/images/%s" % file)
-
line = line.replace(
'JPEGImages',
'labels')
-
line = line.replace(
'jpg',
'txt')
-
shutil.copy(line,
"../VOC/labels/%s/" % file)
执行完成后就可以生成YoloV5训练使用的数据集了。结果如下：
5、修改配置参数
打开voc.yaml文件，修改里面的配置参数
train: VOC/images/train/ # 训练集图片的路径
val: VOC/images/val/ # 验证集图片的路径
6、修改train.py的参数
cfg参数是YoloV5 模型的配置文件，模型的文件存放在models文件夹下面，按照需求填写不同的文件。
weights参数是YoloV5的预训练模型，和cfg对应，例：cfg配置的是yolov5s.yaml，weights就要配置yolov5s.pt
data是配置数据集的配置文件，我们选用的是voc.yaml，所以配置data/voc.yaml
修改上面三个参数就可以开始训练了，其他的参数根据自己的需求修改。修改后的参数配置如下：
修改完成后，就可以开始训练了。如下图所示：
7、查看训练结果
在经历了300epoch训练之后，我们会在runs文件夹下面找到训练好的权重文件和训练过程的一些文件。如图：
测试
首先需要在voc.yaml中增加测试集的路径，打开voc.yaml，在val字段后面增加test: tmp/test.txt这行代码，如图：
修改test.py中的参数，下面的这几个参数要修改。
parser = argparse.ArgumentParser(prog='test.py')
parser.add_argument('--weights', nargs='+', type=str, default='runs/exp7/weights/best.pt', help='model.pt path(s)')
parser.add_argument('--data', type=str, default='data/voc.yaml', help='*.data path')
parser.add_argument('--batch-size', type=int, default=2, help='size of each image batch')
parser.add_argument('--save-txt', default='True', action='store_true', help='save results to *.txt')
在275行 修改test的方法，增加保存测试结果的路径。这样测试完成后就可以在inference\images查看到测试的图片，在inference\output中查看到保存的测试结果。
如图：
下面是运行的结果：
代码和模型：https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/13094352
扫一扫
13万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
