目录
5.2 subprocess.Called processError: Command 'git tag' returned non-zero exit status 128
一，准备数据集
1.1 挑选照片
公主做的是缺陷检测方向，没有好办法，只能靠人眼，公主试过用阈值分割法来挑选，但是！如果阈值分割法能准确分离缺陷，就不用用yolo了不是？特别是灰度相近，而且每张照片灰度都不同，背景与缺陷灰度对比度很接近，比如上图中的硌伤~特别是背景有噪声的时候如下图，阈值分割法就直接躺平了~
没办法，从4T的数据里挑出来，挑的公主眼睛都要瞎了~~~
1.2 做标注
公主用的labelImg，大部分做yolo标注都用这个，也是很主流的标注工具，安装方法见公主另一篇博客。那篇博客标注方法没写全，在这里详细介绍一下：
（1）修改默认标签。公主先只做了一种缺陷，缺陷名称为“硌伤”，因此只写了一种class。在labelImg的安装文件夹中的data/predefined_classes里面修改class：
（2）创建images文件夹和labels文件夹，可以放在任意的文件夹下。将挑选出的照片放到images的文件夹中。
（3）在cmd中cd到labelImg文件夹下，运行python labelImg命令打开labelImg主页面。或者直接在pycharm的Terminal中打开也行，公主是直接用pycharm的Terminal来运行的。
（4）在主页面上打开待标注文件，进行标注
labelImg如上图所示。
-
- 第一步先将标注类型改为YOLO，这一步非常关键！
- 第二部修改Save Dir到之前创建的labels的文件夹
- 第三步Open Dir，打开之前创建的images文件夹，此时会出现4框中的所有文件
- 双击想要标注的图像，通过Create RectBox在需要标注的位置画出框，选好标注类型就可以啦~
- 可以选中View->Auto Save Mode，这样标注完就不用手动点Save了，直接点Next Image跳到下一张即可自动保存。
- 此时可以看到labels文件夹中多了一个与图像同名的.txt文件，即为标注文件啦！注意，标注与图片是一一对应的！
labels的格式如下：
二，下载YoloV7
下载之后的目录结构是这样的：
三，划分数据集
由于公主是一股脑将所有图像放到一起了，由于工业生产的特殊性，临近时间产生的缺陷相似，因此需要随机将图像拆分为训练集，验证集及测试集。
在yolov7-main主文件夹下创建data.py, 并在datasets文件夹下创建defect文件夹，目录结构如下：红框画出的文件是下面代码运行完后自动生成的。
公主在这篇博客的代码基础上修改了一下，同时生成了yolov7需要的目录文件，代码如下：
-
# 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 =
"./mydata/images/"
-
label_original_path =
"./mydata/label/"
-
-
cur_path = os.getcwd()
-
-
# 训练集路径
-
train_image_path = os.path.join(cur_path,
"datasets/defect/images/train/")
-
train_label_path = os.path.join(cur_path,
"datasets/defect/labels/train/")
-
-
# 验证集路径
-
val_image_path = os.path.join(cur_path,
"datasets/defect/images/val/")
-
val_label_path = os.path.join(cur_path,
"datasets/defect/labels/val/")
-
-
# 测试集路径
-
test_image_path = os.path.join(cur_path,
"datasets/defect/images/test/")
-
test_label_path = os.path.join(cur_path,
"datasets/defect/labels/test/")
-
-
# 训练集目录
-
list_train = os.path.join(cur_path,
"datasets/defect/train.txt")
-
list_val = os.path.join(cur_path,
"datasets/defect/val.txt")
-
list_test = os.path.join(cur_path,
"datasets/defect/test.txt")
-
-
train_percent =
0.6
-
val_percent =
0.2
-
test_percent =
0.2
-
-
-
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 +
'.bmp'
-
srcLabel = label_original_path + name +
".txt"
-
-
if i
in train:
-
dst_train_Image = train_image_path + name +
'.bmp'
-
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 +
'.bmp'
-
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 +
'.bmp'
-
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()
至此，数据集彻底准备完毕！
CUDA的安装我是参考这篇博客。
四，模型训练
4.1 创建yaml文件
在data文件夹中创建新的yaml文件，本例中缺陷为硌痕（公主不知道硌痕怎么翻译，长得像气泡，就翻译成了bubble >_<）。把coco.yaml文件复制过来，根据自己的要求修改。
4.2 修改默认参数
修改train.py中的默认参数，根据自己的情况修改，参数代表的意思可以参考这篇博客，讲的非常详细。
公主只改了这三个，
-
- --data：是必改的。
- --epochs：公主的缺陷类型比较简单，好识别，因此只设了200个epochs，实际上150个左右的时候就差不多收敛了。
- --batch-size：公主的显卡显存不太行，只设了8个。但照片数量少，只有一千张左右，因此速度也不算慢。
- --img-size：本例训练集照片是512*512的，因此公主使用了默认的[640 640]
4.3 开始训练
由于默认参数已经修改了，训练时直接运行命令
即可。
训练时：
训练完毕会提示：
最后一轮迭代的权重文件放在runs\train\exp6\weights\last.pt中，最好的权重文件放在runs\train\exp6\weights\bext.pt中。
五，训练模型遇到的问题
5.1 UnicodeDecodeError: 'gbk' codec can't decode type 0xaf in position 525: illegal multibyte sequence
查了下原因是python和win10系统，打开文件时默认的编码方式冲突导致：python默认的是gbk，而win10默认的是utf-8，所以只要改一下python打开文件时，默认的编码就行。（PS：开始公主用的官网默认的 --batch-size 32，然后GPU out of memory了，改成16，还是out of memory，最后含泪改成8.截上图的时候还没到out of memory那一步，因此--batch-size还是32）
5.2 subprocess.Called processError: Command 'git tag' returned non-zero exit status 128
主要原因是因为request请求访问github被墙，解决方案就是手动下载所需的yolov7.pt权重文件，地址为https://github.com/WongKinYiu/yolov7。下载之后放在主目录下，然后还要把train.py中的权重从yolo7.pt改为yolov7.pt，
六，测试
在datasets\defect中新建一个文件夹testImages。运行detect.py
在runs\defect\exp2中打开文件查看
哎呦，标的很准，可是，由于标签是中文，显示乱码“？？？？？”怎么办呢？
七，解决标签中文显示问题
为啥显示乱码呢？查了下资料，原来是opencv的cv2.putText()不支持中文。只能重写plots.py里的plot_one_box()函数，根据这篇博客的介绍。将plot_one_box重写如下：
-
def
plot_one_box(
x, img, color=None, label=None, line_thickness=3):
-
# Plots one bounding box on image img
-
tl = line_thickness
or
round(
0.002 * (img.shape[
0] + img.shape[
1]) /
2) +
1
# line/font thickness
-
color = color
or [random.randint(
0,
255)
for _
in
range(
3)]
-
c1, c2 = (
int(x[
0]),
int(x[
1])), (
int(x[
2]),
int(x[
3]))
-
cv2.rectangle(img, c1, c2, color, thickness=tl, lineType=cv2.LINE_AA)
-
if label:
-
tf =
max(tl -
1,
1)
# font thickness
-
t_size = cv2.getTextSize(label,
0, fontScale=tl /
3, thickness=tf)[
0]
-
font_size = t_size[
1]
-
font = ImageFont.truetype(
r"D:\YOLOV7\yolov7-main\Font\simsun.ttc", font_size, encoding=
"utf-8")
-
t_size = font.getsize(label)
-
c2 = c1[
0] + t_size[
0], c1[
1] - t_size[
1]
-
cv2.rectangle(img, c1, c2, color, -
1, cv2.LINE_AA)
# filled
-
img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
-
draw = ImageDraw.Draw(img)
-
draw.text((c1[
0], c2[
1]), label, (
0,
0,
0), font=font)
-
# cv2.putText(img, label, (c1[0], c1[1] - 2), 0, tl / 3, [225, 255, 255], thickness=tf, lineType=cv2.LINE_AA)
-
return cv2.cvtColor(np.array(img), cv2.COLOR_RGB2BGR)
为了保证多个标签时能都保存下来
detect.py文件，plot_one_box(xyxy, im0, ....) 修改为 im0 = plot_one_box(xyxy, im0, ...)
plots.py文件，plot_one_box(box, mosaic,...) 修改为 mosaic = plot_one_box(box, mosaic,...)
最后得到结果：
完美！！！！！
小插曲：在修改中文标签的时候，想用matplotlib.pyplot.imshow()来打印图片，无奈老是不显示。查了很久才发现是matplotlib.get_backend是agg，而agg不支持GUI画图。但在terminal里运行print(matplotlib.get_backend())明明是QtAgg.后来又在程序里打印,仍然是agg。抓狂了很久后才发现，在plots.py中作者写了这句：
太坑了！！！手动改成matplotlib.use('Qt5Agg')，原码是matplotlib.use('Agg')。
PS：本文与Yolov7训练自己的数据集（超详细） - 玻璃公主 - 博客园一摸一样，都是公主的博客>_<
340
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
