YOLOv3训练自己的数据

训练自己的数据需要准备两方面

可以利用YOLOv3进行实验.

1. 配置文件
2. 数据集

一:配置文件(要设置网络的形状)

因为类别个数不同了

二:数据集是包含6部分

1.Annotations

这个是你最原始的label数据,为xml格式,之后要用这个label数据生成适合接口的数据.
这部分是用LabelImg标注工具标注生成的,标注后的xml格式如下:

    <annotation>
      <folder>VOC2007</folder>
      <filename>000002.jpg</filename>    //文件名  
      <size>                            //图像尺寸（长宽以及通道数
        <width>335</width>
        <height>500</height>
        <depth>3</depth>
      </size>
      <object>        //检测到的物体
        <name>cat</name>    //物体类别
        <pose>Unspecified</pose>    //拍摄角度
        <truncated>0</truncated>    //是否被截断（0表示完整
        <difficult>0</difficult>    //目标是否难以识别（0表示容易识别）
        <bndbox>                    //bounding-box（包含左下角和右上角xy坐标）
          <xmin>139</xmin>
          <ymin>200</ymin>
          <xmax>207</xmax>
          <ymax>301</ymax>
        </bndbox>
      </object>
    </annotation>

2.images

这个是图像集.

3.imageSets

这里将文件分为了train ,test, trainval, val四部分,每个部分都是一个txt文件,每个txt中的每一行都是一个图片名(不包含路径和后缀)

运行如下代码将数据集划分成训练集，测试集和验证集:

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()

运行后得到四个文件，其中我们主要关注的是train.txt，test.txt，val.txt，文件里主要存储图片名称。

4.包含路径的txt文件

分为train.txt和test.txt,这里的每一行都是图片的绝对路径.
运行如下代码可同时得到"包含路径的txt文件"和"labels"

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"]#检测几个写几个,写类别全称.
 
 
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()

5.labels

这个是利用annotations生成的label

6.name

这个是新数据集包含几类(有顺序)