一.准备数据集

这位博主那里有labelimg软件包，以及软件的使用指南。

由于默认情况下输出的是VOC数据集，说人话就是说你标完生成的是.xml格式的文件。但是我们训练要用的是yolo的.txt格式，所以接下来讲述两种方法训练数据集。

1.在labelimg下直接生成yolo的.txt格式

将默认生成VOC文件改为yolo，再进行标注，最后你标注生成的就是.txt格式的文件，训练就可以直接用了，见下图。很简单吧，我学长和我说的时候我都傻了，那我们为什么要费死劲搞什么xml，然后训练还不能直接用，烦死人了！！！那如果你和我一样已经标注完了并且数据集超级无敌巨多的话，咱们就接着往下看吧，看看是怎么转换的呢。

2.Pytorch版批量.xml格式转yolo的.txt格式

建议最好准备两个yolov5文件，一个命名为yolov5专门跑程序，另一个设置成yolov5-master专门用来转换。

1. 设置文件夹
   在data文件夹下新建这三个文件夹，其中Annotations下存放.xml文件，images下存放图片，并在ImageSets里面新建一个Main文件夹。到此准备工作已完成。（在跑完ss.py时会在Main文件夹下生成train.txt和test.txt，跑完voc_labels.py会在data文件夹下生成labels，所以别着急我们慢慢来！）

2. ss.py生成train.txt和test.py
   ss.py是我随便起的，在大家自己能记住的前提下随便起名字。代码如下，如果和我文件夹设置的名称一样，大家直接复制执行就ok。执行后你会发现Main文件夹下生成train.txt和test.txt就是正确的。

import os
import random

trainval_percent = 0.2  # 可自行进行调节
train_percent = 1
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
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('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
# fval = open('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:
            ftest.write(name)
        # else:
        # fval.write(name)
    else:
        ftrain.write(name)

# ftrainval.close()
ftrain.close()
# fval.close()
ftest.close()

3. voc_labels.py生成标签
   这里只需改一个地方就是自己训练的类别名称，剩下保持不动执行就会生成标签文件labels，到此格式转换完结！

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets = ['train', 'test']

classes = ['scallop']  # 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_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()
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')
    for image_id in image_ids:
        list_file.write('data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

3.数据集制作

数据集我们只要图片以及对应生成的labels
数据集随意新建在哪里都可以。
首先我们新建一个datesets文件夹，在里面新建train和val两个文件夹。
在train和val下分别新建images和labels两个文件夹，其中images放入图片，labels放入我们标注的标签。
如果你和我一样是转化得到的txt文件，你就可以直接复制生成的labels文件夹到train和val下，不知我说没说清楚。


注：这里面valid和val一样不影响，但是我看我学长写的是valid我就紧跟随！

二.Yolov5实现训练

1.修改两个.yaml文件

1.在data文件夹下新建一个yaml文件，随便起名，他的作用和coco.yaml一个道理。说人话就是没有他训练就找不到数据集位置，也就是说他是一个存放输入数据的入口地址的文件。

train: D:/try/datesets/train/images  #路径改成自己的
val: D:/try/datesets/valid/images    #路径改成自己的
nc: 1
names: ['scallop']

2.在model文件夹下修改yolov5s.yaml文件
这里就把类别数改了就可以，其余的不要动。

nc: 1  # 类别数

2.修改train.py文件

如果怕错就把data/data.yaml内个data.yaml文件名改成自己设的就可以了！

parser.add_argument('--epochs', type=int, default=200)  # 训练的epoch
parser.add_argument('--batch-size', type=int, default=16)  # batch_size 显卡垃圾的话，就调小点
parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='*.cfg path')
parser.add_argument('--data', type=str, default='data/data.yaml', help='*.data path')  #这里需要改成你之前自己在data下新建的内个yaml文件
parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='train,test sizes')

3.执行train.py

打开Terminal执行代码：

python train.py --img 640 --batch 8 --epoch 300 --data ./data/data.yaml --cfg ./models/yolov5s.yaml --weights weights/yolov5s.pt

注意代码中文件的路径是否正确
注意命令中文件的路径是否正确
注意文件的名称是否与代码和命令中的对应，例data不是date，datesets不是datasets！！！
注意不该改的代码不要动，坏了咱赔不起！！！
注意不要随便乱删空格，尤其的包含路径的空格！！！

到此.xml格式批量转yolo的.txt格式以及yolov5在Pytorch下实现训练圆满结束!
欢迎小伙伴们在评论区对我进行错误更正，你要是对，我必改并称你为大哥！

版权声明：本文为CSDN博主「李卓璐」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/LZL2020LZL/article/details/120037312