自己标注数据集训练基于pytorch3.7的yolov5手掌识别模型

准备数据集

1. 拍摄

使用iphone 7 Plus连拍功能，拍摄左右手在不同光照下的1000张图片。

2. 图片重新命名

手机自动命名不方便遍历，需要改成1.jpg，2.jpg的形式。运行以下代码。

import os
import re
import sys
path = r"D:data\images"
fileList = os.listdir(path)  # 待修改文件夹
print("修改前：" + str(fileList))  # 输出文件夹中包含的文件
os.chdir(path)  # 将当前工作目录修改为待修改文件夹的位置
num = 1  # 名称变量
for fileName in fileList:  # 遍历文件夹中所有文件
    pat = ".+\.(jpg|jpeg|JPG)"  # 匹配文件名正则表达式
    pattern = re.findall(pat, fileName)  # 进行匹配
    print('pattern[0]:', pattern)
    print('num：', num, 'filename:', fileName)
    os.rename(fileName, (str(num) + '.' + pattern[0]))  # 文件重新命名
    num = num + 1  # 改变编号，继续下一项
print("---------------------------------------------------")
sys.stdin.flush()  # 刷新
print("修改后：" + str(os.listdir(path)))  # 输出修改后文件夹中包含的文件

所有图片1-1000.jpg

3. 标注数据集

我们在这里使用pascal VOC数据格式，什么是pascal VOC格式。

（1）安装labelImg

傻瓜式pip安装教程

（2）整理data文件夹

yolov5-5.0版本的原始目录下有data文件夹，里面已有文件如下。

1. 删除images文件夹里的原始图像，将用iphone拍的照片全部导入。
2. 新建Annotations、ImageSets、labels文件夹。

（3）标注数据

参考1
win键点击Anaconda prompt (Anaconda3)进入命令行，输入

conda activate pytorch3.7
labelImg

conda activate pytorch3.7进入项目环境，输入labelImg打开标注软件。

打开成功后如下

1. 打开对应文件夹（如上图）
2. 点击左上角View勾选Auto save mode（自动保存）。
3. 右侧勾选并输入palm。（如下图）
   
   w：开始标注
   a：上一张
   d：下一张

每标注一张，就会在Annotations文件夹下生成一个.xml文件。

最后会有1000个.xml文件。

4. 划分数据集

参考

（1）将划分好的序号存入.txt

在yolov5-5.0下创建split.py并运行

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()

在ImageSets下会生成四个文件

（2）将划分好的完整路径存入.txt

在yolov5-5.0下创建voc_label.py并运行

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 = ['palm']
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()

注意在这里填入我们的palm类。

输出：运行后会发现在data文件夹下多了三个.txt：test.txt、train.txt、val.txt.
他们与ImageSets下的区别就是，一个是完整路径，一个是序号。完整路径方便直接读图片。

此外还会在labels文件夹下生成1000个.txt，从1-1000，里面记录每张图片的标签和两个点的信息。由于我们只有一类palm所以标签都是0.

5. 修改配置文件

数据集配置

训练模型

未完待续
一些相关文章
YOLOv5训练及使用（基础详细版）
Yolov5训练自己的数据集（详细完整版）