【Week Y2】使用自己的数据集训练YOLO-v5s

本文主要是介绍【Week Y2】使用自己的数据集训练YOLO-v5s，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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'] = 'quiet'

（2）Error：Dataset not found

路径中含有中文，删除中文。

（3）Error：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_path=D:\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。

<annotation><folder>images</folder><filename>fruit0.png</filename><size><width>400</width><height>300</height><depth>3</depth></size><segmented>0</segmented><object><name>pineapple</name><pose>Unspecified</pose><truncated>0</truncated><occluded>0</occluded><difficult>0</difficult><bndbox><xmin>38</xmin><ymin>82</ymin><xmax>271</xmax><ymax>227</ymax></bndbox></object><object><name>snake fruit</name><pose>Unspecified</pose><truncated>0</truncated><occluded>0</occluded><difficult>0</difficult><bndbox><xmin>244</xmin><ymin>174</ymin><xmax>280</xmax><ymax>207</ymax></bndbox></object><object><name>dragon fruit</name><pose>Unspecified</pose><truncated>0</truncated><occluded>0</occluded><difficult>0</difficult><bndbox><xmin>254</xmin><ymin>228</ymin><xmax>351</xmax><ymax>300</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', default='D:/jupyter notebook/365-DL/YOLO/Y2/yolov5-master/Y2-fruit_data/annotations/', type=str, help='input 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', default='D:/jupyter notebook/365-DL/YOLO/Y2/yolov5-master/Y2-fruit_data/ImageSets/Main', type=str, help='output 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), encoding='UTF-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15.8
• c. 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：
  

这篇关于【Week Y2】使用自己的数据集训练YOLO-v5s的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---