一、创建文件夹
在yolov5文件自带的data下创建创建如下的几个文件，包括Annotations、images、imageSets、JPEGImages 、labels。其中自己的数据集中图片放到JPEGImages,标签好的xml数据放到Annotations,再把JPEGImages中的图片复制到images中。剩下的imageSets和labels需要代码生成。
（1）在JPEGImages中存放原图（可不用，只是为了保证完整格式）
（2）在image中存放原图
（3）在Annotations中存放xml格式的标签文件，每个xml文件对应JPEGImages的一张图片
（4）在ImageSets的Main文件夹下存放train.txt、val.txt 、trainval.txt、test.txt。分别存放的是训练集、验证集、训练集加验证集、测试集的图片名称，只包含名称不包含后缀和路径。这四个文件需要使用脚本生成。
二、生成imageSets下面的文件
在imageSets下面新建Main文件，用于存放train.txt、val.txt 、trainval.txt、test.txt。代表训练集、验证集、训练集加验证集、测试集的图片名称，具体如图：
新建一个make_txt.py,将下面代码copy，运行即可，则可生产如图上的四个txt文件.
import os
import random
trainval_percent = 0.7 #可以根据自己需要调整数据
train_percent = 0.8 #可以根据自己需要调整
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/Main/trainval.txt', 'w')
ftest = open('data/imageSets/Main/test.txt', 'w')
ftrain = open('data/imageSets/Main/train.txt', 'w')
fval = open('data/imageSets/Main/val.txt', 'w')
for i in list:
name = total_xml[i][:-4] + '\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()
三、生产labels下的文件
创建voc_label.py文件，将训练集、验证集、测试集生成label标签（训练中要用到），同时将数据集路径导入txt文件中，代码内容如下：
在labels下会产生如下的文件：
新建一个voc_label.py,将下面代码copy，运行即可，则可生产如图上的txt文件.
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','person']
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', encoding='UTF-8')
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/Main/%s.txt' % (image_set)).read().strip().split()
list_file = open('data/%s.txt' % (image_set), 'w', encoding='UTF-8')
for image_id in image_ids:
list_file.write('data/images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()
四、修改模型参数
1）修改data/coco.yaml，或者自己新建一个yaml,打开修改如下内容：
2）修改models/yolov5s.yaml的内容，根据自己实际运行模型的参数需要选择一个.yaml进行修改，我选择的是yolov5s.yaml。
3）修改模型训练参数
打开train.py文件，根据自己的需要修改参数，具体参数代表的意思，可查看：[参数]
片描述
4）训练，运行train.py
五、测试运行
对训练好的模型进行调用，测试运行训练好的模型，训练好的模型参数一般\runs\train\exp7\weights里面存放，如下2个。
选择detect.py文件，修改模型位置参数：根据自己的路径进行修改。
parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'runs/train/exp7/weights/best.pt', help='model path(s)')
修改测试文件路径，此时调用电脑摄像头
parser.add_argument('--source', type=str, default=ROOT / '0', help='file/dir/URL/glob, 0 for webcam')
测试图像：
parser.add_argument('--source', type=str, default=ROOT / 'data/images/00.jpg', help='file/dir/URL/glob, 0 for webcam')
测试结果在runs/detect里面存档。
版权声明：本文为CSDN博主「yang_jl2019」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/yang_jl2019/article/details/121289921
暂无评论