YOLOV5训练自己的数据集

游星凌

已于 2022-04-07 23:56:30 修改

阅读量1.7k

点赞数 2

分类专栏：人工智能文章标签：人工智能

于 2022-04-07 13:17:51 首次发布

本文链接：https://blog.csdn.net/youxing_ling/article/details/124013656

版权

人工智能专栏收录该内容

16 篇文章 7 订阅

订阅专栏

YOLOV5训练自己的数据集

最近做人工智能大作业，采用YOLOV5目标检测算法，遇到了很多问题，在此记录。

文章目录

YOLOV5训练自己的数据集
@[toc]
下载YOLOV5项目
准备数据集
标注数据集
制作项目所需的数据集
数据集的配置
选择一个预训练模型结构

调整命令行参数
开始训练
问题汇总
参考

下载YOLOV5项目

git下载地址：https://github.com/ultralytics/yolov5/tree/v3.0

注意:YOLOV5其中有很多个版本，一定要选择自己需要的版本！如果只是在同一个项目中训练并测试，那么版本并不会产生影响，如果想将自己训练得到的权重文件运用到其它项目去，一定要版本对应！

在这里插入图片描述

准备数据集

标注数据集

可以采用labelImg进行标注，不做赘述，建议生成xml格式的文件（不易出错），后续很容易转化成txt格式

VOC数据格式：得到xml文件
YOLO数据格式：得到txt文件

制作项目所需的数据集

这一步一定要将代码改为自己的标签和路径

在yolov5/data文件下创建如下文件目录
将所有的图片放到JPEGImages文件夹下，将所有xml图片文件放入到Annotations文件夹下，在根目录下创建make_txt.py文件，代码如下，运行代码后ImageSets中生成数据集分类txt文件。

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()

在项目根目录下继续创建 voc_label.py 文件，代码如下，需要注意的是，sets中改为你的sets的名字（make_txt生成的） classes修改为你需要检测的类别。

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 = ['hat','nohat','mask','nomask']
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))
    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()

生成voc格式的标签文件labels（显示数据集的具体标注数据），并且在data文件下出现了train、val、test的txt文件，保存了图片的路径。（带有图片的路径）

数据集的配置

在data目录下创建mydata.yaml
注意改为自己的类别，标签顺序一定要对应自己labels文件里的顺序！

train: data/train.txt # train images (relative to 'path') 128 images
val: data/val.txt # val images (relative to 'path') 128 images
test: data/test.txt # test images (optional)
# Classes
nc: 4  # number of classes
names: ['hat','nohat','mask','nomask']  # class names