labelImg数据标注及yolov5的训练和测试

一、labelImg数据标注的使用

数据标注主要针对于哪个地方是什么，一般像隐私类的是不能标注的，如鲁迅的故居可以标，但是张三的住所就不能进行标注。

labelImg是数据标注主要使用的工具。

1、首先使用python labelImg.py打开labelImg标注工具。

 

2、你可以打开labelImg目录下的data目录，目录下predefined_classes.txt可以定义预测的类别。

 

3、定义类别后，打开点击目录。

 

4、打开目录后，右边点击图像。

 

5、在中心有图片，可以选中左侧的“创建区块”标注图片中的类别。如下图。

 

接下来可以在图形中框出图片的分类区域。框选后出现类别的选框，如下图框选足球后出现的选框。

 

点击合适的分类后，OK即可。

 

OK点击后，需要保留框架的相关标注，按ctrl+S，保存后是xml文件格式。

 

点击保存后，在文件夹下产生一个与图片同名的xml文件。如下图。

 

打开xml文件后，可以看到图片的标注信息。

 

可以看到object识别，有坐标，有分类。

二、构建yolo5的项目步骤

直接拉取git clone https://github.com/ultralytics/yolov5.git

 

这时可以配置免验证。git config --global http.sslVerify "false"把项目中的ssl验证设置成false

然后git clone拉取yolo5模型文件

git clone https://github.com/ultralytics/yolov5.git

 

如果Timeout错误，就多次git，git网站的连接有问题，如下图所示。

 

拉取git 成功后，会在当前目录下产生require.txt文件，通过conda来安装require.txt文件。

conda install --yes --file requirements.txt

通过pip3 install 安装项目所需要的相关模块。

pip3 install -r requirements.txt

安装结束后可以自定义标签

新建一个VOCdevkit目录，下面有VOC2017文件夹，在VOC2017下两个文件夹。

Annotation标签，和JPEGImages图片文件，如下图所示。

Annotation目录下的标签文件。

 

JPEGImage标签下的文件如下图：

注意，图片需要等大，再则训练集中的数据容易识别，不然工作量很大。

 

xml文件中的坐标需要转换成YOLO格式的txt标记，如下图所示。

 

具体计算方法如下。

 

注意xml中width和height就是图片的总宽度和总高度。

 

通过该计算方法得到xml文件中的坐标需要转换成YOLO格式的txt标记的代码。

 

了解xml转换成YOLO格式txt标记后，生成训练集和验证集文件。

注意，目录结构可以建一个YOLO5目录，在YOLO5目录下有preparedata.py的py文件，同时也有一个目录VOCdevkit，然后执行python preparedata.py，就会在这样的目录下生成测试集和验证集。

 

 

 

.yolov5train.txt和yolov5val.txt分别给出了训练图片文件和测试图片文件的列表，含有每个图片的路径和文件名。

在data目录下，有一个voc.yaml中修改成voc-ball.yaml，其修改内容如下，此处可以删除下面的内容。

 

在models目录下建立yolov5s-ball.yaml，也可以把yolov5s.yaml改名为yolov5s-ball.yaml。其内容如下。

 

注意原yolov5s.yaml下面的内容不能删除。在训练时需要先验窗口。

修改后训练模型

注意执行训练模型前的路径：

 

还要注意在yolov5的文件夹下有一个weights目录，其下有一个权重文件yolo5s.pt,如下图。

 

接下来执行yolo5模型的训练。

 

 

 

训练过程可视化：

训练过程可以通过另起一个anaconda窗口，在yolov5目录下执行。

 

 

显示出tenrowborad的模板如下图。

 

其会训练50次，每次训练终端如图所示。

 

Tensorboard图形会有曲线表示。

 

训练后测试图片。

 

训练后测试视频：