YOLOv5训练自己的数据集

1.环境

最好有conda环境，没有也没关系

pip install labelImg

目录结构

yolov5
    |---labelImg
            |---yolo_data
                    |---images
                    |---ann
                    |---labels
                    |---predefined_classes.txt  
                    |---voc2yolo.py

文件中predefined_classes.txt写预定义类别，随便自己起名

hoe
chess
table
lego2
stove
vase

voc2yolo.py内容

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
 
 
def convert(size, box):
    x_center = (box[0] + box[1]) / 2.0
    y_center = (box[2] + box[3]) / 2.0
    x = x_center / size[0]
    y = y_center / size[1]
    w = (box[1] - box[0]) / size[0]
    h = (box[3] - box[2]) / size[1]
    return (x, y, w, h)
 
 
def convert_annotation(xml_files_path, save_txt_files_path, classes):
    xml_files = os.listdir(xml_files_path)
    print(xml_files)
    for xml_name in xml_files:
        print(xml_name)
        xml_file = os.path.join(xml_files_path, xml_name)
        out_txt_path = os.path.join(save_txt_files_path, xml_name.split('.')[0] + '.txt')
        out_txt_f = open(out_txt_path, 'w')
        tree = ET.parse(xml_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))
            # b=(xmin, xmax, ymin, ymax)
            print(w, h, b)
            bb = convert((w, h), b)
            out_txt_f.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
 
 
if __name__ == "__main__":
    # 需要转换的类别，需要一一对应
    classes1 = ['horncenter', 'hornleft','leaves','orc']
    # 2、voc格式的xml标签文件路径
    xml_files1 = r'ann'
    # 3、转化为yolo格式的txt标签文件存储路径
    save_txt_files1 = r'label'
 
    convert_annotation(xml_files1, save_txt_files1, classes1)

2.标注

运行

labelImg images predefined_classes.txt

选项栏-查看-自动保存模式开启

按w，拖出框，选择类别（类别正确直接回车），按d下一张

3.修改voc2yolo.py内容classes1 = ['horncenter', 'hornleft','leaves','orc']为对应类别

4.改变文件夹结构

--image
    |----train
            |----image1.jpg(随便）
            |----image2.jpg(随便）
            ...
    |----val(和train一样就行)
            |----image1.jpg(随便）
            |----image2.jpg(随便）
            ...
--label
    |----train
            |----image1.txt(随便）
            |----image2.txt(随便）
            ...
    |----val(和train一样就行)
            |----image1.txt(随便）
            |----image2.txt(随便）
            ...

5.修改yolov5 -> data -> nerf.yaml的

path: labelImg/yolo_data/   # 这里是放你标记好文件的目录
train: # train images (relative to 'path') 16551 images
- images/train
val: # val images (relative to 'path') 4952 images
- images/val

# 这也得该
names:
  0: shoe
  1: chess
  2: table
  3: lego2
  4: stove
  5: vase

6.修改yolov5 -> models -> yolov5s.yaml（可以是yolov5x等别的，选对应使用的原始模型就行）的

nc: 6  # number of classes

7.运行

python train.py --weight yolov5s.pt --cfg models/yolov5s.yaml --data data/nerf.yaml 

8.结果模型在runs -> train 下exp最新

9.测试最新的模型，你需要把exp最新下weights里的best拷贝到yolov5目录下

python detect.py --weight best.pt 

由以下文章改写
————————————————
版权声明：本文为CSDN博主「炮哥带你学」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/didiaopao/article/details/119954291