YOLOv5入门(一)利用Labelimg标注自己数据集

一、Labelimg介绍

LabelImg是一款开源的图片标注工具,使用Python编写,基于PyQt5框架。它提供了一个直观的图形用户界面,方便用户对图片进行标注,并生成标注结果。注释以PASCAL VOC格式保存为XML文件,还支持YOLO和CreateML格式。

二、Labelimg下载

下载地址:https://github.com/HumanSignal/labelImg

在这里插入图片描述

三、Labelimg安装

第一步:打开Anaconda Prompt激活创建的yolov5虚拟环境,进入Labelimg所在文件夹

在这里插入图片描述

第二步:安装pyqt=5

在这里插入图片描述
第三步:执行以下命令

pyrcc5 -o libs/resources.py resources.qrc

执行后没有返回结果

第四步:打开Labelimg

python labelImg.py

在这里插入图片描述在这里插入图片描述成功打开Labelimg页面~

四、Labelimg使用

1、准备

第一步:在yolov5目录下创建一个名为datasets(可自定义)文件夹
在这里插入图片描述
第二步:在datasets目录下分别创建images和labels文件夹

在这里插入图片描述images放原始图片、labels放标注数据

在这里插入图片描述
第三步:在Labelimg的data文件下找到predefined_classes.txt这个文档,修改自定义类别

在这里插入图片描述

2、开始标注

第一步:打开需要标注图片文件夹、设置标注文件存放路径、标注格式改为yolo

在这里插入图片描述

第二步:在查看中,选择自动保存模式、显示类别

在这里插入图片描述常用快捷键

在这里插入图片描述

第三步:点击创建区块,鼠标左键拖框,保存为txt格式

在这里插入图片描述

在这里插入图片描述

以上内容为Labelimg的使用讲解~

  • 4
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
要使用YOLOv5训练自己的数据集,需要按照以下步骤进行操作: 准备数据集: 收集和标注包含您感兴趣目标的图像。 使用标注工具(如LabelImg、RectLabel等)为每个目标在图像上创建边界框,并将其类别标记为相应的类别。 将图像和相应的标注文件组织为训练集和验证集。 安装依赖: 安装Python和PyTorch,并确保您的环境满足YOLOv5的要求。 安装YOLOv5,可以通过以下命令使用pip安装: pip install yolov5 配置数据集和模型: 在YOLOv5的文件结构中创建一个新的文件夹,用于存放数据集和模型文件。 将训练集和验证集的图像和标注文件放入YOLOv5文件结构中的data文件夹。 在YOLOv5文件结构中的data文件夹中创建一个新的类别名称文件(如custom.names),每行包含一个类别名称。 在YOLOv5文件结构中的data文件夹中创建一个新的数据集配置文件(如custom.yaml),指定训练集、验证集、类别数等参数。 训练模型: 打开终端或命令提示符,切换到YOLOv5的根目录。 运行以下命令开始训练: python train.py --img <image_size> --batch <batch_size> --epochs <num_epochs> --data <path_to_custom.yaml> --cfg models/yolov5s.yaml --weights <pretrained_weights> 其中,<image_size>是图像尺寸,<batch_size>是批处理大小,<num_epochs>是训练轮数,<path_to_custom.yaml>是数据集配置文件的路径,<pretrained_weights>是可选的预训练权重文件路径。 检查训练结果: 在训练过程中,YOLOv5会自动保存检查点文件和日志文件。 使用TensorBoard或其他日志分析工具,可以可视化训练过程和性能指标。 测试模型: 在训练完成后,您可以使用训练得到的权重文件对新的图像进行目标检测。 使用detect.py脚本来运行推理,如下所示: python detect.py --source <path_to_test_images> --weights <path_to_trained_weights> --conf 0.4 其中,<path_to_test_images>是待测试图像的路径,<path_to_trained_weights>是训练得到的权重文件路径

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值