yolov5自己的数据集制作


文章参考博主:风吹落叶花飘荡

一、制作数据集

1、创建文件夹结构如下

在这里插入图片描述

2、将之前的图片以及标注数据放入mydata文件夹

test与train集合一般比例为2:8或3:7
训练的放在train,检测效果的放在test
下面labels的也是这样
注意:images和labels下的图片与标签要一一对应,所以图片标注前最好先重命名为1,2,3…
test的图片对应test的标签
train的图片对应train的标签

3、新建一个mydata.yaml文件

在这里插入图片描述

二、基于数据集训练模型

1、基于数据集训练模型

在这里插入图片描述

2、开始根据制作好的数据集训练模型

在这里插入图片描述

3、模型训练结束

在这里插入图片描述
注:由上图可以看到这次训练的模型保存在runs/train/expxxx

三、部署模型

在这里插入图片描述
在detect.py中调用模型
在这里插入图片描述
检测正常运行结果如下
在这里插入图片描述

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
制作yolov5分割数据集,可以按照以下步骤进行操作: 1. 准备图像数据集:收集包含目标物体的图像,并将它们存储在一个文件夹中。 2. 创建标注文件:使用图像标注工具,如LabelImg或RectLabel,对每个图像进行标注。标注的方式可以是矩形框或像素级的分割标注。将标注结果保存为相应的标注文件,如XML或JSON格式。 3. 将标注文件转换为YOLOv5格式:使用脚本或工具将标注文件转换为YOLOv5所需的格式。通常,这涉及将每个目标的边界框坐标转换为相对于图像宽度和高度的归一化坐标,并将类别标签映射为整数。 4. 划分数据集:将整个数据集划分为训练集和验证集。通常,80%的数据用于训练,20%的数据用于验证。 5. 创建数据集配置文件:创建一个数据集配置文件,指定训练集和验证集的图像路径、类别标签等信息。 6. 开始训练:使用yolov5的训练脚本,指定数据集配置文件和预训练模型的路径,开始训练新的数据集。例如,可以使用以下命令进行训练:python train.py --data dataset.yaml --weights yolov5s.pt。 通过以上步骤,您可以制作yolov5分割数据集并进行训练。请注意,具体的实现细节可能会因您使用的工具和数据格式而有所不同。建议参考yolov5的官方文档和示例代码以获取更详细的指导。\[1\]\[2\]\[3\] #### 引用[.reference_title] - *1* [一文实现yolov5实例分割(数据标注、标签转换、模型训练、模型推理)](https://blog.csdn.net/qq_41204464/article/details/130112663)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [【深度学习】YOLOv5实例分割 数据集制作、模型训练以及TensorRT部署](https://blog.csdn.net/qq_40198848/article/details/127937648)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“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

打赏作者

vsropy

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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