网站显示备案号,知名网站建设加盟合作,wordpress 用户积分,网站做要钱一、准备深度学习环境
下载yolov7代码
下载完成解压放在自己的主目录
命名yolov7-4
二、 准备自己的数据集
1.进入主目录 2.进入data目录下把你的xml文件夹命名为Annotations#xff0c;把你的存放图片文件夹命名为images
3.分别新建ImageSets、imagtest#xff08;里面…一、准备深度学习环境
下载yolov7代码
下载完成解压放在自己的主目录
命名yolov7-4
二、 准备自己的数据集
1.进入主目录 2.进入data目录下把你的xml文件夹命名为Annotations把你的存放图片文件夹命名为images
3.分别新建ImageSets、imagtest里面存放测试图片、labels里面存放转换之后的yolo格式文件
三、 1.2.在data目录下新建split_train_val.py文件
里面内容如下
# coding:utf-8import os
import random
import argparseparser argparse.ArgumentParser()
#xml文件的地址根据自己的数据进行修改 xml一般存放在Annotations下
parser.add_argument(--xml_path, defaultAnnotations, typestr, helpinput 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, defaultImageSets/Main, typestr, helpoutput txt label path)
opt parser.parse_args()trainval_percent 1.0
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] \nif 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()运行之后会在ImageSets/Main下生成四个.txt文件
2.在data目录下新建voc_label.py文件里面存放代码里面classes需要改成自己的类别
# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwdsets [train, val, test]
classes [bike,carsgraz,person] # 改成自己的类别
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 - 1y (box[2] box[3]) / 2.0 - 1w box[1] - box[0]h box[3] - box[2]x x * dww w * dwy y * dhh h * dhreturn x, y, w, hdef convert_annotation(image_id):in_file open(./Annotations/%s.xml % (image_id), encodingUTF-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).textcls obj.find(name).textif cls not in classes or int(difficult) 1:continuecls_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 wif b4 h:b4 hb (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()3.拷贝一份coco.yaml文件里面改成自己的类别和data目录下三个txt文件路径
代码如下
# COCO 2017 dataset http://cocodataset.org# download command/URL (optional)
# download: bash ./scripts/get_coco.sh# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: /home/sxj/yolov7-4/data/train.txt # 118287 images
val: /home/sxj/yolov7-4/data/val.txt # 5000 images
test: /home/sxj/yolov7-4/data/test.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794# number of classes
nc: 3# class names
names: [bike,carsgraz,person]
4.修改cfg目录下/home/sxj/yolov7-4/cfg/deploy/yolov7.yamlyolov7.yaml文件里面改成自己类别数
四、返回yolov7主目录修改train.py文件
其中 --weights, typestr, defaultyolov7.pt, helpinitial weights path改成yolov7.pt文件路径
--cfg, typestr, default/home/sxj/yolov7-4/cfg/deploy/yolov7.yaml, helpmodel.yaml path)改成yolov7.yaml路径
--data, typestr, defaultdata/car.yaml, helpdata.yaml path把data目录下的coco.yaml文件改成自己的路径
里面--epochs, typeint, default50
--batch-size, typeint, default1, helptotal batch size for all GPUs
--device, default0, helpcuda device, i.e. 0 or 0,1,2,3 or cpu or mps
参数根据需要调整 五、完成之后运行python train.py
出现如下报错及解决方法YOLO7报错indices should be either on cpu or on the same device as the indexed tensor (cpu)
YOLO7报错indices should be either on cpu or on the same device as the indexed tensor (cpu) 运行之后在runs里面找到best.pt权重文件
拷贝一份放在主目录下打开detect.py改成自己best.pt权重文件和测试图片路径 在运行
python detect.py
在 runs/detect/exp下可查看自己模型文件测试效果即可
到此全部完成
