一、准备

1.项目链接

https://github.com/ultralytics/yolov5

2.制作数据集

将标注好的图片放到data/images/train 和data/images/valid 文件夹下，将.xml标签统一放在data/Annotations文件夹下

使用txt_write.py生成data/ImageSets/Main下的valid.txt和train.txt

import os

def build_train_valid_list(train_txt,train_imgs_dir,valid_txt,valid_imgs_dir):
    sets = [(train_txt, train_imgs_dir), (valid_txt, valid_imgs_dir)]
    for s in sets:
        txt, imgs_dir = s
        # print(txt)
        with open(txt, "a+") as f:
            for img_name in os.listdir(imgs_dir):
                head, back = img_name.split(".")[0], img_name.split(".")[1]
                print(head)
                f.write(head)
                f.write("\r")
                f.flush()

if __name__ == '__main__':
    train_imgs_dir = "data/images/train"
    valid_imgs_dir = "/data\images/valid"
    train_txt = "data/ImageSets/Main/train.txt"
    valid_txt = "data/ImageSets/Main/valid.txt"
    build_train_valid_list(train_txt,train_imgs_dir,valid_txt,valid_imgs_dir)

train.txt和valid.txt文件的数据如下（去除文件的后缀）

3.生成所需的txt文件

更改xml_2_txt.py文件的中训练的类别

更改xml_2_txt.py文件中的in_file的路径与out_file的路径

运行xml_2_txt.py

import xml.etree.ElementTree as ET
import os

sets = ['train', 'valid']
classes = ['tjfy','tjzp','tjpm','c','qr']  # 更改为自己训练的类别


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_set,image_id):
    in_file = open(r'F:\yolov5_Test\data\Annotations/%s.xml' % (image_id))                     #修改路径
    out_file = open(r'F:\yolov5_Test\data\labels/{}/{}.txt' .format(image_set,image_id), 'w')  #修改路径
    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'):
        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')


for image_set in sets:
    if not os.path.exists('data/labels/{}'.format(image_set)):
        os.makedirs('data/labels/{}'.format(image_set))
    image_ids = open('data/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
    print(image_ids)
    for image_id in image_ids:
        convert_annotation(image_set,image_id)

在data/labels/train和data/labels/valid目录下生成训练所用的txt标签文件

txt标签文件内容如下

4.在data/下建立自己的.yaml文件

5.修改model/文件夹下所要使用的预训练模型的yaml文件

修改yolov5s.yaml文件如下：

只需要更改类别数nc:即可

二、训练

6.修改train.py文件中的相关参数：

7.运行train.py文件

正常训练

8.使用tensorboard或者wandb工具查看实时训练状态

(1)tensorboard

打开cmd命令行输入tensorboard --logdir F:\yolov5_Test\runs\train ，其中F:\yolov5_Test\runs\train 更改为自己的路径

将返回的地址输入到浏览器中即可查看训练状态

(2)wandb

根据提示打开链接即可看到训练结果：

三、测试

9.更改detect.py中的参数

保存的训练数据在runs/train/文件夹下

例如修改detect.py中的相关参数如下

运行detect.py生成的预测图片保存在runs/detect/文件夹下

预测结果如下：

四、出现问题

1.gbk错误

gbk’codec can’t decode byte 0xae

解决方法：

在train.py中第61行修改为：  

 with open(opt.data,encoding="utf8") as f:

在test.py中第69行修改为：    

 with open(data,encoding="utf8") as f:

2.dll错误

Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.

解决方案：在train.py的开头添加

import os
os.environ['KMP_DUPLICATE_LIB_OK']='True'

3.wandb错误

api_key not configured (no-tty).  Run wandb login

解决方案：

打开终端：

pip install wandb

wandb login

按照提示打开链接：You can find your API key in your browser here: https://wandb.ai/authorize

登录并获取key，输入到终端：       Paste an API key from your profile and hit enter: 

配置成功(重新训练发现错误消失)：Appending key for api.wandb.ai to your netrc file: /home/username/.netrc

版权声明：本文为CSDN博主「前尘昨夜此刻」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/ssunshining/article/details/114641077