YOLOv7训练VisDrone数据集

1.进入官网下载VisDrone数据集

官网地址：https://github.com/VisDrone/VisDrone-Dataset  进入官网后下载train，val，test数据集。

 下载完成，解压之后为下图

每个文件夹下的目录为下图 

annotations下的标签文件格式，如下图 

 

要想使用YOLO来训练数据，必须将标签文件转换为YOLO格式，如下图，每张image对应一个label

 

在YOLOv7目录下新建一个文件夹存放VisDrone数据集

 

 2.将数据集转换为YOLO格式

 在YOLOv7目录下新建一个visdrone2yolov7.py文件夹，如下图所示

visdrone2yolov7.py文件内容为 ，将29行的目录改为自己visdrone数据集的位置，运行该代码。

from utils.general import os, Path

def visdrone2yolo(dir):
    from PIL import Image
    from tqdm import tqdm

    def convert_box(size, box):
        # Convert VisDrone box to YOLO xywh box
        dw = 1. / size[0]
        dh = 1. / size[1]
        return (box[0] + box[2] / 2) * dw, (box[1] + box[3] / 2) * dh, box[2] * dw, box[3] * dh

    (dir / 'labels').mkdir(parents=True, exist_ok=True)  # make labels directory
    pbar = tqdm((dir / 'annotations').glob('*.txt'), desc=f'Converting {dir}')
    for f in pbar:
        img_size = Image.open((dir / 'images' / f.name).with_suffix('.jpg')).size
        lines = []
        with open(f, 'r') as file:  # read annotation.txt
            for row in [x.split(',') for x in file.read().strip().splitlines()]:
                if row[4] == '0':  # VisDrone 'ignored regions' class 0
                    continue
                cls = int(row[5]) - 1
                box = convert_box(img_size, tuple(map(int, row[:4])))
                lines.append(f"{cls} {' '.join(f'{x:.6f}' for x in box)}\n")
                with open(str(f).replace(os.sep + 'annotations' + os.sep, os.sep + 'labels' + os.sep), 'w') as fl:
                    fl.writelines(lines)  # write label.txt


dir = Path('H:\\wenjian\\yolov7\\yolov7-main\\visdrone')  # dataset文件夹下Visdrone2019文件夹路径


# Convert
for d in 'VisDrone2019-DET-train', 'VisDrone2019-DET-val', 'VisDrone2019-DET-test-dev':
    visdrone2yolo(dir / d)  # convert VisDrone annotations to YOLO labels

运行结束后，如图所示

VisDrone数据集下就会生成相应的label文件，这里的cache.label是train.py文件运行之后才生成的，这里不用管。

3.训练VisDrone数据集 

在YOLOv7目录下的data目录下新建visdrone.yaml文件，代码如下。将

# COCO 2017 dataset http://cocodataset.org

# download command/URL (optional)
download: bash ./scripts/get_coco.sh

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: H:\wenjian\yolov7\yolov7-main\mydata\visdrone\VisDrone2019-DET-train\images  # 118287 images
val: H:\wenjian\yolov7\yolov7-main\mydata\visdrone\VisDrone2019-DET-val\images  # 5000 images
test: H:\wenjian\yolov7\yolov7-main\mydata\visdrone\VisDrone2019-DET-test-dev\images  # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

# number of classes
nc: 11

# class names
names: [ 'pedestrian', 'people', 'bicycle', 'car', 'van','truck', 'tricycle', 'awning-tricycle', 'bus', 'motor', 'others']

将第7,8,9行分别换为自己的路径。然后在train.py文件相应位置替换为自己的路径，即可训练

最后，开始训练。有四个标签转换有问题的图片，训练时会忽略，不用管。结束。 

 第一次写博客，小白一个，大佬轻喷。