企业网站背景颜色,极速网站建设公司电话,服务器注册,营销外包团队有哪些Y2-使用自己的数据集训练YOLO-v5s 零、遇到的问题汇总#xff08;1#xff09;遇到git的import error#xff08;2#xff09;Error#xff1a;Dataset not found#xff08;3#xff09;Error#xff1a;删除中文后#xff0c;训练图片路径不存在 一、.xml文件里保存… Y2-使用自己的数据集训练YOLO-v5s 零、遇到的问题汇总1遇到git的import error2ErrorDataset not found3Error删除中文后训练图片路径不存在 一、.xml文件里保存的是什么二、准备好自己的数据三、创建split_train_val.py 文件运行并生成 train.txt、test.txt、val.txt1在yolov5-master工程内新建一个.py文件并命名为split_train_val.py2将以下代码写入该文件设置自己的.xml和.txt文件路径3然后执行该文件就得到下面的结果4创建voc_label.py填充图片路径 四、创建 fruit.yaml 文件五、开始用自己的数据集训练模型(1) 输入训练指令2查看训练结果 本文使用水果数据集、CPU进行训练包含200张图像水果类别分为4类
Banana、Snake fruit、Dragon fruit和Pineapple。 本文先列出执行过程中遇到的问题以及解决办法再将执行步骤一一说明给出的代码是我修改过后的最终的代码。
需要注意的是!!!文件路径不要包含中文!!!
零、遇到的问题汇总
1遇到git的import error
参考【这里】解决 找到提示报错的路径d:\jupyter notebook\365-DL\.venv\Lib\site-packages\git\cmd.py然后在该文件中添加一行
os.environ[GIT_PYTHON_REFRESH] quiet2ErrorDataset not found 路径中含有中文删除中文。
3Error删除中文后训练图片路径不存在 将split_train_val.py和voc_label.py生成的所有文件删除重新生成。【注意检查路径】
如下所示 【注意abs_path的路径本文的图像路径为D:\jupyter notebook\365-DL\YOLO\Y2\yolov5-master\Y2-fruit_data\images\*.png而abs_pathD:\jupyter notebook\365-DL\YOLO\Y2\yolov5-master】
一、.xml文件里保存的是什么
在annotations/文件夹里打开任意一个.xml文件这里打开fruit0.xml文件内容如下 注意每个标签组内的信息后续voc_label.py文件会提取这些信息。 annotationfolderimages/folderfilenamefruit0.png/filenamesizewidth400/widthheight300/heightdepth3/depth/sizesegmented0/segmentedobjectnamepineapple/nameposeUnspecified/posetruncated0/truncatedoccluded0/occludeddifficult0/difficultbndboxxmin38/xminymin82/yminxmax271/xmaxymax227/ymax/bndbox/objectobjectnamesnake fruit/nameposeUnspecified/posetruncated0/truncatedoccluded0/occludeddifficult0/difficultbndboxxmin244/xminymin174/yminxmax280/xmaxymax207/ymax/bndbox/objectobjectnamedragon fruit/nameposeUnspecified/posetruncated0/truncatedoccluded0/occludeddifficult0/difficultbndboxxmin254/xminymin228/yminxmax351/xmaxymax300/ymax/bndbox/object
/annotation二、准备好自己的数据
本次使用水果数据集数据集包含200张图片每张图片包含4种不同类别的水果Banana、Snake fruit、Dragon fruit和Pineapple。
三、创建split_train_val.py 文件运行并生成 train.txt、test.txt、val.txt
执行split_train_val.py前的文件结构
1在yolov5-master工程内新建一个.py文件并命名为split_train_val.py 2将以下代码写入该文件设置自己的.xml和.txt文件路径
# 导入必要的库
# 导入必要的库
import os
import random
import argparse# 创建一个参数解析器
parser argparse.ArgumentParser()# 添加命令行参数用于指定XML文件的路径默认为“Annotations”文件夹
parser.add_argument(--xml_path, defaultD:/jupyter notebook/365-DL/YOLO/Y2/yolov5-master/Y2-fruit_data/annotations/, typestr, helpinput xml label path)# 添加命令行参数用于指定txt标签文件的路径默认为“ImageSets/Main”文件夹
parser.add_argument(--txt_path, defaultD:/jupyter notebook/365-DL/YOLO/Y2/yolov5-master/Y2-fruit_data/ImageSets/Main, typestr, helpoutput txt label path)# 解析命令行参数
opt parser.parse_args()# 定义训练验证和测试集的划分比例
trainval_percent 1.0 # 使用全部数据
train_percent 0.9 # 训练集占验证集的90%# 设置xml文件的路径并根据命令行参数指定
xmlfilepath opt.xml_path
print(xmlfilepath: , xmlfilepath)# 设置txt文件的路径并根据命令行参数指定
txtfilepath opt.txt_path# 获取xml文件夹中的所有xml文件列表
total_xml os.listdir(xmlfilepath)# 如果输出txt标签文件的文件夹不存在创建它
if not os.path.exists(txtfilepath):os.makedirs(txtfilepath)# 获取xml文件的总数
num len(total_xml)# 创建一个包含所有xml文件索引的列表
list_index range(num)# 计算训练验证集的数量
tv int(num*trainval_percent)# 计算训练集的数量
tr int(num*train_percent)# 从所有xml文件索引中随机选择出训练验证集的索引
trainval random.sample(list_index, tv)# 从训练验证集的索引中随机选择出训练集的索引
train random.sample(list_index, tr)# 打开要写入的训练验证集、测试集、训练集、验证集的txt文件
file_trainval open(txtfilepath /trainval.txt, w)
file_test open(txtfilepath /test.txt, w)
file_train open(txtfilepath /train.txt, w)
file_val open(txtfilepath /val.txt, w)# 遍历所有xml文件的索引
for i in list_index:name total_xml[i][:-4] \n # 获取所有文件的名称去掉后缀.xml并添加换行符# 如果该索引在训练验证集中, 写入训练验证集txt文件否则写入测试集txt文件if i in trainval: file_trainval.write(name) # if i in train: # 如果该索引在训练集中, 写入训练集txt文件否则写入验证集txt文件file_train.write(name)else:file_val.write(name)else:file_test.write(name)# 关闭所有打开的文件
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()3然后执行该文件就得到下面的结果 打开任意一个文件查看内容【此处打开val.txt文件内保存的是个文件名】
4创建voc_label.py填充图片路径
voc_label.py代码如下
# 导入必要的库
import xml.etree.ElementTree as ET
import os
from os import getcwd
# 定义数据集的名称
sets [train, val, test]
# 根据所用数据集填写类别名称本文使用水果数据集包含4类分别如下
classes [banana, snake fruit, dragon fruit, pineapple]
# 获取当前工作目录的绝对路径
abs_path os.getcwd() # abs_path: D:\jupyter notebook\365-DL\YOLO\Y2\yolov5-master
print(abs_path: , abs_path)
# 定义一个函数将边界框的坐标绝对值转换为相对于图像大小的比例
def convert(size, box):dw 1./(size[0]) # 计算图像宽度的倒数dh 1./(size[1]) # 计算图像高度的倒数x (box[0] box[1])/ 2.0 - 1 # 计算中心点的x坐标y (box[2] box[3])/ 2.0 - 1 # 计算中心点的y坐标w box[1] - box[0] # 计算边界框的宽度h box[3] - box[2] # 计算边界框的高度x x * dw # 缩放x坐标w w * dw # 缩放宽度y y * dh # 缩放y坐标h h * dh # 缩放高度return x,y,w,h# 定义一个函数将标注文件从xml格式转为YOLO格式
dir D:/jupyter notebook/365-DL/YOLO/Y2/yolov5-master/Y2-fruit_data/
def convert_annotations(image_id):# 打开xml标注文件in_file open(dir annotations/%s.xml % (image_id), encodingUTF-8) # 打开要写入的YOLO格式标签文件out_file open(dir labels/%s.txt % (image_id), w)# 解析xml文件tree ET.parse(in_file)root tree.getroot()# 获取图像文件名filename root.find(filename).text# 获取图像文件格式filenameFormat filename.split(.)[1]# 获取图像尺寸信息size root.find(size)# 获取图像的宽、高w int(size.find(width).text)h int(size.find(height).text)for obj in root.iter(object):# 获取对象的难度标志difficult obj.find(difficult).text# 获取对象的类别名称cls obj.find(name).textif cls not in classes or int(difficult)1:continue# 获取类别索引cls_id classes.index(cls)# 获取对象的边界框信息包括左上角x坐标、左上角y坐标、右下角x坐标、右下角y坐标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)# 调用convert()函数将边界框坐标转换为YOLO格式bb convert((w,h), b)out_file.write(str(cls_id) .join([str(a) for a in bb]) \n)return filenameFormat
# 获取当前工作目录
wd getcwd()
# 遍历每个数据集train、val、test
for image_set in sets:# 如果labels目录不存在就创建它if not os.path.exists(dir labels/):os.makedirs(dir labels/)# 从数据集文件中获取图像id列表image_ids open(dir ImageSets/Main/%s.txt % (image_set)).read().strip().split()# 打开要写入的文件写入图像文件路径和格式list_file open(dir ImageSets/Main/%s.txt % (image_set), w)for image_id in image_ids:filenameFormat convert_annotations(image_id)list_file.write(abs_path /Y2-fruit_data/images/%s.%s\n % (image_id,filenameFormat))list_file.close()执行后得到结果
四、创建 fruit.yaml 文件
新建fruit.yaml 文件
train: D:/jupyter notebook/365-DL/YOLO/Y2/yolov5-master/Y2-fruit_data/ImageSets/Main/train.txt
val: D:/jupyter notebook/365-DL/YOLO/Y2/yolov5-master/Y2-fruit_data/ImageSets/Main/val.txt# number of classes
nc: 4# class names
names: [banana, snake fruit, dragon fruit, pineapple]五、开始用自己的数据集训练模型
(1) 输入训练指令
由于本机没有GPU所以执行python .\train.py --img 900 --batch 2 --epoch 100 --data .\fruit.yaml --cfg .\models\yolov5s.yaml --weights .\yolov5s.pt --device cpu 如果有GPU则执行python .\train.py --img 900 --batch 2 --epoch 100 --data .\fruit.yaml --cfg .\models\yolov5s.yaml --weights .\yolov5s.pt --device 0 执行命令后出现如下提示表明训练进行中等待训练完成查看训练结果。
2查看训练结果 如图中所示使用YOLO-v5s训练本文的数据集
a. 100个epoch需要的时间是3.382小时b. YOLOv5s 网络结构: 157 层, 参数量是7020913 , 梯度是0 , GFLOPs是15.8c. 还显示了类别的训练结果包括P-R值、mAP50的值d. 训练结果保存在runs\train\exp7在该路径下生成了许多文件 打开其中一张图片如val_batch1_labels.jpg如下图显示了各水果的标签 打开val_batch1_labels.jpg则显示了带预测值的标签
