YOLOV5训练数据（火焰检测）

一、YOLOV5 实现检测

1.1 下载源码

官方地址下载源码 YoloV5

1.2 下载模型

下载官方模型，官方提供预训练模型，下载地址为谷歌云盘

二、YOLOV5训练数据集

2.1 火焰数据集

实验数据集共有2059张具有标签的火焰图片。

数据集下载地址

其中Annotations文件里存放的是带标注的xml文件，Image中存放的是火焰图片。

2.2 制作数据集

使用脚本voc_label.py生成labels文件，train.txt以及test.txt。其中labels是从Annotations/xxx.xml中提取的不同图像的标注信息，并采用.txt的形式存储。 train.txt 和 test.txt中分别为训练图像的绝对位置。

voc_label.py

# 缺陷坐标xml转txt
import os
import xml.etree.ElementTree as ET
import os
import random
classes = ["fire"]  # 输入类别名称，必须与xml标注名称一致

def convert(size, box):
    print(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):
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    in_file = open(r'./data/Annotations/%s' % (image_id), 'rb')  # 读取xml文件路径
    out_file = open('./data/labels/%s.txt' % (image_id.split('.')[0]), 'w')  # 需要保存的txt格式文件路径
    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'):
        cls = obj.find('name').text
        if cls not in classes:
            continue
        cls_id = classes.index(cls) + 1
        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')


image_ids_train = os.listdir('./data/Annotations')  # 读取xml文件名索引
for image_id in image_ids_train:
    print(image_id)
    convert_annotation(image_id)


trainval_percent = 0.1  # 可自行进行调节
train_percent = 1
xmlfilepath = './data/JPEGImages'

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)
ftest = open('./data/test.txt', 'w')
ftrain = open('./data/train.txt', 'w')

for i in list:
    name = total_xml[i] + '\n'
    if i in trainval:
        if i in train:
            ftest.write('data/JPEGImages/' + name)
    else:
        ftrain.write('data/JPEGImages/' + name)
ftrain.close()
ftest.close()

xxx.txt中的内容如下：

此时，我们准备好了训练所需要的训练集，下一步需要对模型进行配置。

2.3 修改文件

2.3.1 修改数据集yaml文件

可以修改data文件夹下的.yaml文件，由于是焰火检测，可以新建一个fire.yaml文件，内容如下：

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

# number of classes
nc: 1

# class names
names: ['fire']

nc为检测物体的种类个数，例如只检测火焰一种类型，nc=1

2.3.2 修改网络参数的yaml文件

修改./models/yolov5s.yaml文件，使用哪个模型修改哪个文件即可。其中nc的值要修改为检测物品的种类个数。

# fire parameters
nc: 1  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

# anchors
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Focus, [64, 3]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, BottleneckCSP, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 9, BottleneckCSP, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, BottleneckCSP, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 1, SPP, [1024, [5, 9, 13]]],
   [-1, 3, BottleneckCSP, [1024, False]],  # 9
  ]

# YOLOv5 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, BottleneckCSP, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, BottleneckCSP, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, BottleneckCSP, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, BottleneckCSP, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

2.3.3 修改train.py中的训练参数

parser.add_argument('--weights', type=str, default='weights/yolov5s.pt', help='initial weights path') # 预训练模型
parser.add_argument('--cfg', type=str, default='models/yolov5s_fs.yaml', help='model.yaml path') # 2.3.2中配置文件
parser.add_argument('--data', type=str, default='data/fire.yaml', help='data.yaml path') # 数据集信息
parser.add_argument('--epochs', type=int, default=300)
parser.add_argument('--batch_size', type=int, default=16, help='total batch size for all GPUs')
parser.add_argument('--img_size', nargs='+', type=int, default=[640, 640], help='train,test sizes')

2.4 开始训练模型

python3 train.py

训练过程如下图所示：
Tips：本实验在阿里天池服务器下运行，阿里天池只能连续使用8小时，当8小时未训练结束，可以采用如下方式继续训练模型。

在train.py中如下两个参数更改为：

parser.add_argument('--weights', type=str, default='weights/last.pt', help='initial weights path')
parser.add_argument('--resume', nargs='?', const='get_last', default=True, help='resume from given path/last.pt, or most recent run if blank')

或者执行：

python3 train.py --weights ./weights/last.pt --resume==True

训练结果如下图示：

三、训练结果

使用detect.py测试：

parser.add_argument('--weights', type=str, default='weights/last.pt', help='model.pt path')
parser.add_argument('--source', type=str, default='0', help='source')  # file/folder, 0 for webcam
parser.add_argument('--output', type=str, default='inference/output', help='output folder')  # output folder

python3 detect.py --source ./inference/fire

检测结果：

参考文章：
https://blog.csdn.net/weixin_43871135/article/details/106803636

版权声明：本文为CSDN博主「开普勒醒醒吧」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/lioe_1995/article/details/114703597