TensorFlow YOLOv3 训练自己的数据集,详细教程
这个教程是我在网上查找资料写的,为了便于自己查看,将多篇博客内容总结当成学习自己的笔记,。如若有对某位作者造成侵权问题,请作者联系我删除,谢谢 ! 由于本人水平有限,如果文章有不当之处还望评论区指出。
本文参考了如下博客:
https://blog.csdn.net/qq_38441692/article/details/103652760
一. 下载YOLOv3代码
在github上下载代码 :https://github.com/YunYang1994/tensorflow-yolov3
二. 制作训练集
1、打标签
这里的数据集格式采用的是VOC格式
1)方法一:使用实验LabelImg工具进行制作
LabelImg下载地址和数据集的制作过程可参考博文:labelImg标注图像的详细教程
实验LabelImg工具打好标签后会生成两个文件夹:
Annotations —存放标记的图片
JPEGImages —存放xml格式的标签
2)方法二:从COCO数据集中提取
参考博文:COCO数据集提取某类并转化为VOC
2. 按照VOC数据集格式建立文件夹
- JPEGImages文件夹: 包含了训练图片和测试图片,混放在一起
- Annotations文件夹: 存放xml格式的标签文件,每个xml文件都对应于JPEGImages文件夹的一张图片
- ImageSets文件夹:
1) Main文件夹存放图像物体识别的数据:有test.txt , train.txt, val.txt ,trainval.txt.这四个文件(后面会生成)
-train中存放的是训练使用的数据;
-val中存放的是验证结果使用的数据;
-trainval为训练和验证的图片文件的文件名列表 。
2)Action存放的是人的动作,我们暂时不用
3)Layout存放的人体部位的数据。我们暂时不用
4)Segmentation存放的是可用于分割的数据
数据集文件夹目录格式如下图所示:
JPEGImages文件夹放图片文件:
Annotations文件夹放标签xml文件:
3.划分训练集和测试集
训练时要有测试集和训练集,通过划分放在
E:\DeviceData\deviceData_20201108\ImageSets\Main
文件夹下,这里可以使用一段python代码按照9:1进行随机划分:
在deviceData_20201108文件夹建立一个python文件:split.py,代码如下
import os
import random
import sys
if len(sys.argv) < 2:
print("no directory specified, please input target directory")
exit()
root_path = sys.argv[1]
xmlfilepath = root_path + '/Annotations'
txtsavepath = root_path + '/ImageSets/Main'
if not os.path.exists(root_path):
print("cannot find such directory: " + root_path)
exit()
if not os.path.exists(txtsavepath):
os.makedirs(txtsavepath)
trainval_percent = 0.9
train_percent = 0.8
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)
print("train and val size:", tv)
print("train size:", tr)
ftrainval = open(txtsavepath + '/trainval.txt', 'w')
ftest = open(txtsavepath + '/test.txt', 'w')
ftrain = open(txtsavepath + '/train.txt', 'w')
fval = open(txtsavepath + '/val.txt', 'w')
for i in list:
name = total_xml[i][:-4] + '\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()
打开控制台,运行该python文件,后跟Annotation的目录即可进行划分:
python .\split.py … (存放原始数据集的路径)
python .\split.py E:\DeviceData\deviceData_20201108
在ImageSets\Main下生成了四个文件,其中,train为训练集,test为验证集
4,根据划分结果制作训练集
上面代码已经实现了将数据集划分为训练集和验证集,但是tensorflow yolov3作者写的模型要求的数据集格式为:
所以我们需要写一个小脚本split-again.py,根据train.txt 和test.txt将数据集进行更改
根据这个小脚本就可进行划分为规定的格式,如果数据集的量比较大,可能有点慢,当然你也可以进行手动划分,省略前面几步操作,只要最终目录结构满足作者的格式就行
import os
from shutil import copyfile
#根据tarin.txt和test.txt将数据集分为标准数据集(改路径,存放数据集的路径(原始数据集路径))
train_text_path = 'E:/DeviceData/deviceData_20201108/ImageSets/Main/train.txt'
test_text_path = 'E:/DeviceData/deviceData_20201108/ImageSets/Main/test.txt'
#图片存放地址 (改路径,存放数据集的路径)
image_path = 'E:/DeviceData/deviceData_20201108/JPEGImages/'
#xml文件存放地址 (改路径,存放数据集的路径)
xml_path = 'E:/DeviceData/deviceData_20201108/Annotations/'
#输出的目录 (改路径,存放数据集的路径(生成数据集存放的路径))
outdir = 'E:/DeviceData/deviceData_20201108_VOC/'
#创建各级文件夹
test_xml_out = os.path.join(outdir,'VOC/test/VOC2020/Annotations')
os.makedirs(test_xml_out)
os.makedirs(os.path.join(outdir,'VOC/test/VOC2020/ImageSets/Layout'))
os.makedirs(os.path.join(outdir,'VOC/test/VOC2020/ImageSets/Main'))
os.makedirs(os.path.join(outdir,'VOC/test/VOC2020/ImageSets/Segmentation'))
test_img_out = os.path.join(outdir,'VOC/test/VOC2020/JPEGImages')
os.makedirs(test_img_out)
os.makedirs(os.path.join(outdir,'VOC/test/VOC2020/SegmentationClass'))
os.makedirs(os.path.join(outdir,'VOC/test/VOC2020/SegmentationObject'))
train_xml_out = os.path.join(outdir,'VOC/train/VOC2020/Annotations')
os.makedirs(train_xml_out)
os.makedirs(os.path.join(outdir,'VOC/train/VOC2020/ImageSets/Layout'))
os.makedirs(os.path.join(outdir,'VOC/train/VOC2020/ImageSets/Main'))
os.makedirs(os.path.join(outdir,'VOC/train/VOC2020/ImageSets/Segmentation'))
train_img_out = os.path.join(outdir,'VOC/train/VOC2020/JPEGImages')
os.makedirs(train_img_out)
os.makedirs(os.path.join(outdir,'VOC/train/VOC2020/SegmentationClass'))
os.makedirs(os.path.join(outdir,'VOC/train/VOC2020/SegmentationObject'))
with open(train_text_path) as f:
lines = f.readlines()
for i in lines:
img_save_path = os.path.join(train_img_out,i.rstrip('\n')+'.jpg')
xml_save_path = os.path.join(train_xml_out, i.rstrip('\n') + '.xml')
copyfile(os.path.join(image_path,i.rstrip('\n')+'.jpg'),img_save_path)
copyfile(os.path.join(xml_path, i.rstrip('\n') + '.xml'), xml_save_path)
print(i)
with open(test_text_path) as f:
lines = f.readlines()
for i in lines:
img_save_path = os.path.join(test_img_out, i.rstrip('\n') + '.jpg')
xml_save_path = os.path.join(test_xml_out, i.rstrip('\n') + '.xml')
copyfile(os.path.join(image_path, i.rstrip('\n') + '.jpg'), img_save_path)
copyfile(os.path.join(xml_path, i.rstrip('\n') + '.xml'), xml_save_path)
print(i)
打开控制台,运行该python文件:
python .\split_again.py
5、分别在test和train下面运行split.py脚本
python .\split.py E:\DeviceData\deviceData_20201108_VOC\VOC\test\VOC2020
python .\split.py E:\DeviceData\deviceData_20201108_VOC\VOC\train\VOC2020
三、制作标准数据集txt文件
作者在github上声明,训练需要两个文件,如下所示:
dataset.txt:
xxx/xxx.jpg 18.19,6.32,424.13,421.83,20 323.86,2.65,640.0,421.94,20
xxx/xxx.jpg 48,240,195,371,11 8,12,352,498,14
image_path x_min, y_min, x_max, y_max, class_id x_min, y_min ,..., class_id
make sure that x_max < width and y_max < height
class.names:
person
bicycle
car
...
toothbrush
1、生成dataset.txt
其实前几步都是为这两步做准备,通过目录下的 scripts/voc_annotation.py就可以生成dataset.txt文件,但是需要改一些代码参数:
1)只需更改 classes为自己的类别
classes = ['person', 'tv', 'laptop', 'tablet', 'cell phone']
2)default 更改为你自己的看注释
if __name__ == '__main__':
parser = argparse.ArgumentParser()
#default 更改为你自己数据集VOC的目录
parser.add_argument("--data_path", default="E:/DeviceData/deviceData_20201108_VOC/VOC")
parser.add_argument("--train_annotation", default="../data/dataset/voc_train.txt")
parser.add_argument("--test_annotation", default="../data/dataset/voc_test.txt")
flags = parser.parse_args()
if os.path.exists(flags.train_annotation):os.remove(flags.train_annotation)
if os.path.exists(flags.test_annotation):os.remove(flags.test_annotation)
#更改训练集和测试集的相对路径
num1 = convert_voc_annotation(os.path.join(flags.data_path, 'train/VOC2020'), 'trainval', flags.train_annotation, False)
num3 = convert_voc_annotation(os.path.join(flags.data_path, 'test/VOC2020'), 'trainval', flags.test_annotation, False)
print('=> The number of image for train is: %d\tThe number of image for test is:%d' %(num1 , num3))
更改后运行该python文件:
这就生成了dataset.txt
2、更改voc.names的类别
修改为自己的类别:
3、修改配置文件
编辑您的文件./core/config.py以进行一些必要的配置
__C.YOLO.CLASSES = "./data/classes/voc.names"
__C.TRAIN.ANNOT_PATH = "./data/dataset/voc_train.txt"
__C.TEST.ANNOT_PATH = "./data/dataset/voc_test.txt"
四、训练数据
有多种方式
1)从头开始训练:
$ python train.py
$ tensorboard --logdir ./data
2)从COCO配置训练(推荐):
$ cd checkpoint
$ wget https://github.com/YunYang1994/tensorflow-yolov3/releases/download/v1.0/yolov3_coco.tar.gz
$ tar -xvf yolov3_coco.tar.gz
$ cd ..
// 训练之前需要将COCO权重转换成预训练模型
$ python convert_weight.py --train_from_coco
// 训练模型
$ python train.py
五、测试权重文件
训练完之后有多个权重文件,挑选其中的50作为测试权重。
1) 修改测试权重路径
编辑config.py中的__C.TEST.WEIGHT_FILE路径参数,将其改成我们测试的权重文件名
2)执行python evaluate.py
测试测试集
3)执行python main.py -na
生成测试报告
我的报错了,是因为我的类别中类别名(cell phone)有空格,需要把空格去掉
去到extra目录下,可执行python rename_class -c 旧类名 -n 新类名
通过改类名的方式去掉类名中的空格
再执行python main.py -na
可以得到测试报告 mAP值
六、查看识别效果(video_demo)
1)修改类别数目
将video_demo.py中的 num_classes
的值改为你的class.names文件中类别数,我的class.names文件包括5种类别,所以num_classes=5
2)修改freeze_graph.py文件(修改权重文件)
修改freeze_graph.py文件中的ckpt_file
为自己训练的权重
运行freeze_graph.py
:
运行成功,并且可以看到.pb文件更新了:
如果不运行freeze_graph.py
就执行video_demo.py
会出现下面的这种情况。
3)执行python video_demo.py