使用YOLOv7训练钢化玻璃绝缘子及其缺陷检测数据集（使用yolov7训练自己的数据集）

使用YOLOv7训练钢化玻璃绝缘子及其缺陷检测模型

数据集介绍

数据集中的图片均选自与无人机在电力巡检过程中的航拍图片
图片样例如下：

1. 数据集准备

1. 1 建立文件夹

     文件夹建立如下图所示：

1.2图像标注

    标注软件的下载：

pip install labelimg -i (清华镜像源)

将需要标注的图片移动到 JPEGImages 文件夹中：

1.3 标注

1.3.1打开标注工具

在安装的环境中，输入 labelmg 即可：

如果安装成功，在桌面上就会弹出标注软件，如下：

1.3.2标注

标签文件如下图：

图像标注完成之后，进行第二部分检测

2.检测

2.1 yolov7代码下载

yolov7代码库 ：https://github.com/WongKinYiu/yolov7
下载代码：

下载权重：


配置好环境之后，使用pycharm打开：找到detect.py,进行运行，检查模型是否可以正常推理。

若出现这个问题：

解决办法：


明天继续写哈！！先发布！！

2.2训练数据集放置及配置文件编写

2.2.1训练数据集放置

 第一步：

这儿还要插入一张图片

 第二步：  数据集转换voc格式转换成yolo格式

1. 生成txt文件 新建make_txt.py

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()

运行之后生成4个txt文件

2. 生成labels和images

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 = ["insulator","flaw"]

# import os
path = "./data"
dirs = os.listdir(path)
print(dirs)
for dir in dirs:
    if dir == "JPEGImages":
        old_name = os.path.join(path, dir)
        dir = "images"
        new_dir = os.path.join(path,dir)
        os.rename(old_name,new_dir)

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),encoding='utf-8')
    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()

如果文件夹命名和排放和我的一致，代码不需要改动，直接复制使用即可：

到这个地方为止，数据集就准备好了。

2.2.2配置文件编写

 1. data文件夹下建立insulator.yaml文件

train: ./data/train.txt
val : ./data/val.txt
test: ./data/test.txt

nc: 2
names: ["insulator","flaw"]

2.3训练文件的配置

训练正常：图示

3. 预测