YoloV5实战:手把手教物体检测

新机器视觉

共 2960字,需浏览 6分钟

 ·

2022-05-23 13:51

点击下方卡片,关注“新机器视觉”公众号

重磅干货,第一时间送达

来源:古月居

0、摘要


YOLOV5严格意义上说并不是YOLO的第五个版本,因为它并没有得到YOLO之父Joe Redmon的认可,但是给出的测试数据总体表现还是不错。详细数据如下:



YOLOv5并不是一个单独的模型,而是一个模型家族,包括了YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x、YOLOv5x+TTA,这点有点儿像EfficientDet。


由于没有找到V5的论文,我们也只能从代码去学习它。总体上和YOLOV4差不多,可以认为是YOLOV5的加强版。


项目地址:

https://github.com/ultralytics/YOLOv5



1、下载代码


项目地址:https://github.com/ultralytics/YOLOv5


最近作者又更新了一些代码。




2、配置环境


matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.2 pillow PyYAML>=5.3 scipy>=1.4.1 tensorboard>=2.2 torch>=1.6.0 torchvision>=0.7.0 tqdm>=4.41.0



3、准备数据集


数据集采用Labelme标注的数据格式,数据集从RSOD数据集中获取了飞机和油桶两类数据集,并将其转为Labelme标注的数据集。


数据集的地址:

https://pan.baidu.com/s/1iTUpvA9_cwx1qiH8zbRmDg

提取码:gr6g


或者:

https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/14003627


将下载的数据集解压后放到工程的根目录。为下一步生成测试用的数据集做准备。


如下图:




4、生成数据集


YoloV5的数据集和以前版本的数据集并不相同,我们先看一下转换后的数据集。


数据结构如下图:



images文件夹存放train和val的图片


labels里面存放train和val的物体数据,里面的每个txt文件和images里面的图片是一一对应的。


txt文件的内容如下:



格式:物体类别 x y w h  


坐标是不是真实的坐标,是将坐标除以宽高后的计算出来的,是相对于宽和高的比例。


下面我们编写生成数据集的代码,新建LabelmeToYoloV5.py,然后写入下面的代码。


import os import numpy as np import json from glob import glob import cv2 from sklearn.model_selection import train_test_split from os import getcwd   classes = ["aircraft", "oiltank"] # 1.标签路径 labelme_path = "LabelmeData/" isUseTest = True  # 是否创建test集 # 3.获取待处理文件 files = glob(labelme_path + "*.json") files = [i.replace("\\", "/").split("/")[-1].split(".json")[0] for i in files] print(files) if isUseTest:     trainval_files, test_files = train_test_split(files, test_size=0.1, random_state=55) else:     trainval_files = files # split train_files, val_files = train_test_split(trainval_files, test_size=0.1, random_state=55)     def convert(size, box):     dw = 1. / (size[0])     dh = 1. / (size[1])     x = (box[0] + box[1]) / 2.0 - 1     y = (box[2] + box[3]) / 2.0 - 1     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)     wd = getcwd() print(wd)     def ChangeToYolo5(files, txt_Name):     if not os.path.exists('tmp/'):         os.makedirs('tmp/')     list_file = open('tmp/%s.txt' % (txt_Name), 'w')     for json_file_ in files:         json_filename = labelme_path + json_file_ + ".json"         imagePath = labelme_path + json_file_ + ".jpg"         list_file.write('%s/%s\n' % (wd, imagePath))         out_file = open('%s/%s.txt' % (labelme_path, json_file_), 'w')         json_file = json.load(open(json_filename, "r", encoding="utf-8"))         height, width, channels = cv2.imread(labelme_path + json_file_ + ".jpg").shape         for multi in json_file["shapes"]:             points = np.array(multi["points"])             xmin = min(points[:, 0]) if min(points[:, 0]) > 0 else 0             xmax = max(points[:, 0]) if max(points[:, 0]) > 0 else 0             ymin = min(points[:, 1]) if min(points[:, 1]) > 0 else 0             ymax = max(points[:, 1]) if max(points[:, 1]) > 0 else 0             label = multi["label"]             if xmax <= xmin:                 pass             elif ymax <= ymin:                 pass             else:                 cls_id = classes.index(label)                 b = (float(xmin), float(xmax), float(ymin), float(ymax))                 bb = convert((width, height), b)                 out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')                 print(json_filename, xmin, ymin, xmax, ymax, cls_id) ChangeToYolo5(train_files, "train") ChangeToYolo5(val_files, "val") ChangeToYolo5(test_files, "test")


这段代码执行完成会在LabelmeData生成每个图片的txt标注数据,同时在tmp文件夹下面生成训练集、验证集和测试集的txt,txt记录的是图片的路径,为下一步生成YoloV5训练和测试用的数据集做准备。


在tmp文件夹下面新建MakeData.py文件,生成最终的结果,目录结构如下图:



打开MakeData.py,写入下面的代码。


import shutilimport os file_List = ["train", "val", "test"]for file in file_List:    if not os.path.exists('../VOC/images/%s' % file):        os.makedirs('../VOC/images/%s' % file)    if not os.path.exists('../VOC/labels/%s' % file):        os.makedirs('../VOC/labels/%s' % file)    print(os.path.exists('../tmp/%s.txt' % file))    f = open('../tmp/%s.txt' % file, 'r')    lines = f.readlines()    for line in lines:        print(line)        line = "/".join(line.split('/')[-5:]).strip()        shutil.copy(line, "../VOC/images/%s" % file)        line = line.replace('JPEGImages', 'labels')        line = line.replace('jpg', 'txt')        shutil.copy(line, "../VOC/labels/%s/" % file)


执行完成后就可以生成YoloV5训练使用的数据集了。结果如下:




5、修改配置参数


打开voc.yaml文件,修改里面的配置参数


train: VOC/images/train/  # 训练集图片的路径


val: VOC/images/val/  # 验证集图片的路径


# number of classes nc: 2 #检测的类别,本次数据集有两个类别所以写2   # class names names: ["aircraft", "oiltank"]#类别的名称,和转换数据集时的list对应



6、修改train.py的参数


cfg参数是YoloV5 模型的配置文件,模型的文件存放在models文件夹下面,按照需求填写不同的文件。


weights参数是YoloV5的预训练模型,和cfg对应,例:cfg配置的是yolov5s.yaml,weights就要配置yolov5s.pt


data是配置数据集的配置文件,我们选用的是voc.yaml,所以配置data/voc.yaml


修改上面三个参数就可以开始训练了,其他的参数根据自己的需求修改。修改后的参数配置如下:


parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path') parser.add_argument('--cfg', type=str, default='yolov5s.yaml', help='model.yaml path') parser.add_argument('--data', type=str, default='data/voc.yaml', help='data.yaml path')


 修改完成后,就可以开始训练了。如下图所示:




7、查看训练结果


在经历了300epoch训练之后,我们会在runs文件夹下面找到训练好的权重文件和训练过程的一些文件。如图:








8、测试


首先需要在voc.yaml中增加测试集的路径,打开voc.yaml,在val字段后面增加test: tmp/test.txt这行代码,如图:



修改test.py中的参数,下面的这几个参数要修改。


parser = argparse.ArgumentParser(prog='test.py')parser.add_argument('--weights', nargs='+', type=str, default='runs/exp7/weights/best.pt', help='model.pt path(s)')parser.add_argument('--data', type=str, default='data/voc.yaml', help='*.data path')parser.add_argument('--batch-size', type=int, default=2, help='size of each image batch')parser.add_argument('--save-txt', default='True', action='store_true', help='save results to *.txt')


在275行 修改test的方法,增加保存测试结果的路径。这样测试完成后就可以在inference\images查看到测试的图片,在inference\output中查看到保存的测试结果。


如图:



下面是运行的结果:



代码和模型:

https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/13094352


本文仅做学术分享,如有侵权,请联系删文。

—THE END—
浏览 66
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报