使用YOLOv5训练自己的数据集

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊|接辅导、项目定制

说明

上次使用学习了如何运行yolov5检测自己的数据，这次学习yolov5如何训练自己的数据集
本次记录如何使用yolov5训练自己的数据集以及遇到报错解决方案

数据

使用数据：水果数据集

数据包含了png图片和相应的标注文件

切分数据

代码如下：
其中trainval_percent 和train_percent 代表划分比例
trainval_percent = 1
train_percent = 0.9
代表训练集和验证集为100%，不划分测试集
训练集和验证集为9：1

# coding;utf-8
import os
import random
import argparse
parser = argparse.ArgumentParser()
#xm1文件的地址，根据自己的数据进行修改 xm1一般存放在Annotations下
parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')
#数据集的划分，地址选择自己数据下的ImageSets/Main
parser.add_argument('--txt_path', default='Imagesets/Main', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 1
train_percent = 0.9
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
    os.makedirs(txtsavepath)
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt','w')
file_val = open(txtsavepath + '/val.txt','w')

for i in list_index:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        file_trainval.write(name)
        if i in train:
            file_train.write(name)
        else:
            file_val.write(name)
    else:
        file_test.write(name)


file_trainval.close()
file_train.close()
file_val.close()
file_test.close()

处理标注文件

# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ["banana", "snake fruit", "dragon fruit", "pineapple"]
abs_path = os.getcwd()
print(abs_path)

def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    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('./annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('./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))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()
for image_set in sets:
    if not os.path.exists('./labels/'):
        os.makedirs('./labels/')
    image_ids = open('./ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
    list_file = open('./%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write(abs_path + '/images/%s.png\n' % (image_id)) # 注意你的图片格式，如果是.jpg记得修改
        convert_annotation(image_id)
    list_file.close()

运行会生成训练集、验证集、测试集的数据索引文件train.txt，val.txt，test.txt，并归一化标注信息（labels文件夹下）。

编辑xx.yaml文件

内置训练集、验证集的索引文件路径，并且写入数据集所有的类别

train: E:\\pythonProject\\y2_data\\train.txt
val:  E:\\pythonProject\\y2_data\\val.txt
nc: 4 # number of classes
names: ['banana','snake fruit','dragon fruit','pineapple'] # 改成自己的类别

开始训练自己的数据

这里依旧使用的是Anaconda Prompt

python  C:\Users\hepei\dl\yolov5-master\train.py --img 720 --batch 2 --epoch 60 --data C:\Users\hepei\dl\yolov5-master\data\test.yaml --cfg  C:\Users\hepei\dl\yolov5-master\models\yolov5s.yaml --weights weights/yolov5s.pt

报错1

ImportError: Bad git executable.

按照报错信息找到git下的cmd文件，添加下方代码

os.environ['GIT_PYTHON_REFRESH'] = 'quiet'

问题解决

报错2

AssertionError: train: All labels empty in E:\pythonProject\y2_data\train.cache, can not start training. See https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data

原因时因为voc_label没有正常生成标签

罪魁祸首是大小写问题，类别开头大写就无法生成标签，labels中的txt文件都是空的，改称小写就好了

classes = ["banana", "snake fruit", "dragon fruit", "pineapple"]

报错3

ImportError: The _imagingft C module is not installed

或者

ImportError: cannot import name 'Image' from 'PIL' (unknown location)

重装pillow：

pip uninstall pillow

pip install pillow

可以解决问题

成功运行

训练过程

训练结果

根据保存位置找到结果文件

看一看效果