搜索

目标检测 YOLOv5训练操作

新机器视觉

共 18803字，需浏览 38分钟

 ·

2023-10-14 21:57

 

1. 数据配置


1.1. 工具安装


Labelimg 是一款开源的数据标注工具，可以标注三种格式：


1.VOC标签格式，保存为xml文件

2.yolo标签格式，保存为txt文件

3.createML标签格式，保存为json格式


安装也比较简单：


$ pip3 install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple


1.2. 数据准备


1.2.1. 建立文件夹和基础文件


先在主目录建立一个 resources 文件夹，专门用来存放总的训练数据


然后在该目录下建立一个 VOC_DIY 文件夹，用于这次训练的数据文件夹


在这里面建立一个 JPEGImages 文件夹存放需要打标签的图片文件


再建立一个 Annotations 文件夹存放标注的标签文件


最后创建一个名为 predefined_classes.txt 的 txt 文件来存放所要标注的类别名称


最终结构如下：



1.2.2. 编辑类别种类


假设任务是需要一个检测人和手表的任务，那么目标只有两个


先编辑 predefined_classes.txt 文件，定义的类别种类：


personwatche


1.2.3. 放置标注图片


然后把待标注的图片放在 JPEGImages 文件夹中，这里演示只用10张：



实际应用时需要更多更好的数据，数量和质量都很重要


1.3. 数据标注


路径切换到yolov5\resources\VOC_DIY数据集文件夹中来

在该地址启动 labelimg


$ labelimg JPEGImages predefined_classes.txt


基础的配置和使用参考网上随便搜一下就好了，如《labelImg使用教程》(https://blog.csdn.net/weixin_42899627/article/details/109000509)


主要设置：


•Auto Save mode：切换到下一张图的时候，会自动保存标签。

•Display Labels：显示标注框和标签

•Advanced Mode：标注的十字架悬浮在窗口上



标注好了之后，可以在 Annotations 文件夹中查看：



1.4. 数据转换


目标检测的数据集资源标签的格式一般都是VOC（xml格式）


刚刚labelimg默认配置的也是，不过也可以自己设置为 yolo（txt格式）


现在就需要对xml格式的标签文件转换为txt文件

同时将数据集需要划分为训练集和验证集


路径切回工程主目录，建立一个 voc2yolo.py 文件实现以上所述功能


import xml.etree.ElementTree as ETimport osimport randomfrom shutil import rmtree, copyfile
classes = ["person", "watche"]
TRAIN_RATIO = 0.8VOC_PATH = 'resources/VOC_DIY/'CLEAR_HISTORICAL_DATA = True

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(VOC_PATH + 'Annotations/%s.xml' % image_id)    out_file = open(VOC_PATH + 'YOLOLabels/%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')    in_file.close()    out_file.close()

work_sapce_dir = os.path.join(os.getcwd(), VOC_PATH).replace('/','\\')annotation_dir = os.path.join(work_sapce_dir, "Annotations/").replace('/','\\')image_dir = os.path.join(work_sapce_dir, "JPEGImages/").replace('/','\\')
yolo_labels_dir = os.path.join(work_sapce_dir, "YOLOLabels/").replace('/','\\')yolov5_images_dir = os.path.join(work_sapce_dir, "images/").replace('/','\\')yolov5_labels_dir = os.path.join(work_sapce_dir, "labels/").replace('/','\\')yolov5_images_train_dir = os.path.join(yolov5_images_dir, "train/").replace('/','\\')yolov5_images_test_dir = os.path.join(yolov5_images_dir, "val/").replace('/','\\')yolov5_labels_train_dir = os.path.join(yolov5_labels_dir, "train/").replace('/','\\')yolov5_labels_test_dir = os.path.join(yolov5_labels_dir, "val/").replace('/','\\')
dir_list = [yolo_labels_dir, yolov5_images_dir, yolov5_labels_dir,            yolov5_images_train_dir, yolov5_images_test_dir,            yolov5_labels_train_dir, yolov5_labels_test_dir]
for dir in dir_list:    if not os.path.isdir(dir):        os.mkdir(dir)    elif CLEAR_HISTORICAL_DATA is True:        rmtree(dir)        os.mkdir(dir)        print("Clean {}".format(dir))
train_file = open(os.path.join(work_sapce_dir, "yolov5_train.txt"), 'w')test_file = open(os.path.join(work_sapce_dir, "yolov5_val.txt"), 'w')train_file.close()test_file.close()train_file = open(os.path.join(work_sapce_dir, "yolov5_train.txt"), 'a')test_file = open(os.path.join(work_sapce_dir, "yolov5_val.txt"), 'a')
list_imgs = os.listdir(image_dir)list_imgs.sort()random.shuffle(list_imgs)imgs_len = len(list_imgs)
for i in range(0, imgs_len):    path = os.path.join(image_dir, list_imgs[i])    if os.path.isfile(path):        image_path = image_dir + list_imgs[i]        voc_path = list_imgs[i]        (nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path))        (voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path))        annotation_name = nameWithoutExtention + '.xml'        annotation_path = os.path.join(annotation_dir, annotation_name)        label_name = nameWithoutExtention + '.txt'        label_path = os.path.join(yolo_labels_dir, label_name)
    if i <= TRAIN_RATIO * imgs_len:        if os.path.exists(annotation_path):            train_file.write(image_path + '\n')            convert_annotation(nameWithoutExtention)            copyfile(image_path, yolov5_images_train_dir + voc_path)            copyfile(label_path, yolov5_labels_train_dir + label_name)    else:        if os.path.exists(annotation_path):            test_file.write(image_path + '\n')            convert_annotation(nameWithoutExtention)            copyfile(image_path, yolov5_images_test_dir + voc_path)            copyfile(label_path, yolov5_labels_test_dir + label_name)    print("\r进度：{:3d} %".format(int((i + 1) / imgs_len * 100)), end='', flush=True)
train_file.close()test_file.close()input("\n输入任意键退出")


运行该文件就可以得到所需的训练集和验证集了



1.5. 修改配置


1.5.1. 修改数据配置文件


编辑data目录下的相应的yaml文件


找到目录下的voc.yaml文件，将该文件复制一份，将复制的文件重命名为watche.yaml


根据项目实况保留有用信息：


path: ./resources/VOC_DIYtrain: # train images (relative to 'path')  8 images  - images/trainval: # val images (relative to 'path')  2 images  - images/val
# Classesnc: 2  # number of classesnames: ['person', 'watche']  # class names


1.5.2. 修改模型配置文件


由于该项目使用的是yolov5s.pt这个预训练权重，所以要使用models目录下的yolov5s.yaml文件中的相应参数


将yolov5s.yaml文件复制一份，然后将其重命名为yolov5_watche.yaml


根据项目实况改个；类型数量就好了：


# nc: 80  # number of classesnc: 2  # number of classes



2. 训练配置


训练是利用 train.py 文件


2.1. 参数设置


同《YOLOv5 使用入门》一样，主要还是看参数设置：


def parse_opt(known=False):    parser = argparse.ArgumentParser()    parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')    parser.add_argument('--cfg', type=str, default='', help='model.yaml path')    parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')    parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')    parser.add_argument('--epochs', type=int, default=300)    parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')    parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')    parser.add_argument('--rect', action='store_true', help='rectangular training')    parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')    parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')    parser.add_argument('--noval', action='store_true', help='only validate final epoch')    parser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')    parser.add_argument('--noplots', action='store_true', help='save no plot files')    parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')    parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')    parser.add_argument('--cache', type=str, nargs='?', const='ram', help='--cache images in "ram" (default) or "disk"')    parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')    parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')    parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')    parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='SGD', help='optimizer')    parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')    parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')    parser.add_argument('--project', default=ROOT / 'runs/train', help='save to project/name')    parser.add_argument('--name', default='exp', help='save to project/name')    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')    parser.add_argument('--quad', action='store_true', help='quad dataloader')    parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler')    parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')    parser.add_argument('--patience', type=int, default=100, help='EarlyStopping patience (epochs without improvement)')    parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone=10, first3=0 1 2')    parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')    parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')
    # Weights & Biases arguments    parser.add_argument('--entity', default=None, help='W&B: Entity')    parser.add_argument('--upload_dataset', nargs='?', const=True, default=False, help='W&B: Upload data, "val" option')    parser.add_argument('--bbox_interval', type=int, default=-1, help='W&B: Set bounding-box image logging interval')    parser.add_argument('--artifact_alias', type=str, default='latest', help='W&B: Version of dataset artifact to use')
    opt = parser.parse_known_args()[0] if known else parser.parse_args()    return opt



将权重路径、权重配置和数据集配置文件路径修改


parser.add_argument('--weights', type=str, default=ROOT / 'weights/yolov5s.pt', help='initial weights path')parser.add_argument('--cfg', type=str, default=ROOT / 'models/yolov5s_watche.yaml', help='model.yaml path')parser.add_argument('--data', type=str, default=ROOT / 'data/watche.yaml', help='dataset.yaml path')


还有需要改动的一般就是训练次数、批次大小和工作核心数了


parser.add_argument('--epochs', type=int, default=300)parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')


2.2. 执行训练


配置好后，直接执行


$ python train.py


期间可以用 tensorboard 查看参数


$ tensorboard --logdir=runs/train


复制显示的网址地址，在浏览器打开查看训练过程




3. 检测效果


训练过程数据和模型存放在 runs\train\exp 文件夹中



一个为最优的权重文件 best.pt，一个为最后一轮训练的权重文件 last.pt


在训练过程中大小在50M左右，不过训完成后处理为14M左右


参考 《YOLOv5 使用入门》（https://joveh-h.blog.csdn.net/article/details/125206372），利用验证集的图片数据、刚训练好的模型和数据集配置进行检测：


$ python detect.py --source=resources/VOC_DIY/images/val/7.jpg  --weights=runs/train/exp/weights/best.pt --data=data/watche.yaml


效果还是可以的



cls:1, xywh:[0.7656546235084534, 0.6132478713989258, 0.14231498539447784, 0.06410256773233414], conf:0.77cls:0, xywh:[0.4962049424648285, 0.5197649598121643, 0.7267552018165588, 0.6314102411270142], conf:0.78


版权声明：本文为CSDN博主「氢键H-H」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/qq_32618327/article/details/125225366

编辑：古月居

声明：部分内容来源于网络，仅供读者学习、交流之目的文章版权归原作者所有。如有不妥，请联系删除。


—THE END—

浏览 45
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
使用YOLOv5模型进行目标检测！
Datawhale
0
深度思考：从头开始训练目标检测
小白学视觉
0
开源！基于Transformer改进YOLOv5的目标检测框架 | 航空遥感目标检测
AI算法与图像处理
0
Yolov5：王者荣耀游戏实时目标检测！绝了
AI算法与图像处理
0
YOLOX目标检测模型Keras实现，超越Yolov5
机器学习AI算法工程
0
yolov5目标识别+DeepSort目标追踪
Python之王
0
使用pytorch mask-rcnn进行目标检测/分割训练
小白学视觉
0
目标检测任务中的训练宝典 ｜实用技巧
小白学视觉
0
yolov5鱼苗检测计数:从数据标注到训练
机器学习AI算法工程
0
详细记录u版YOLOv5目标检测ncnn实现
极市平台
0
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报