【Week Y2】使用自己的数据集训练YOLO-v5s

news2024/11/30 6:44:09

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 error`
    • （2）`Error：Dataset not found`
    • （3）`Error：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.txt
    • （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：
    • （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：
在这里插入图片描述
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

在这里插入图片描述
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

在这里插入图片描述
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】
在这里插入图片描述

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。
在这里插入图片描述

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：
在这里插入图片描述

（1）在yolov5-master工程内，新建一个.py文件，并命名为split_train_val.py：

在这里插入图片描述

（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：

在这里插入图片描述
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】
在这里插入图片描述

（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').text
        if 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 = w
        if b4 > h:
            b4 = h
        b = (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：
在这里插入图片描述

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
在这里插入图片描述

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。
在这里插入图片描述
在这里插入图片描述

（2）查看训练结果

在这里插入图片描述
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：
  • 在这里插入图片描述
    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：
    在这里插入图片描述
    打开val_batch1_labels.jpg，则显示了带预测值的标签：
    在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1529591.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

开发微信小程序被鹅厂背刺

开发微信小程序被鹅厂背刺

最近在开发微信小程序&#xff0c;没来得及更文。等开发完成后&#xff0c;给大家写保姆帖系列。刚刚看到一张动图&#xff0c;忍不住分享给大家。属实反映了鹅厂风格了。
阅读更多...
C# Onnx Yolov9 Detect 物体检测

C# Onnx Yolov9 Detect 物体检测

目录 介绍 效果 项目 模型信息 代码 下载 C# Onnx Yolov9 Detect 物体检测 介绍 yolov9 github地址&#xff1a;https://github.com/WongKinYiu/yolov9 Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information …
阅读更多...
【电路笔记】-达林顿晶体管

【电路笔记】-达林顿晶体管

达林顿晶体管 文章目录 达林顿晶体管1、概述2、基本达林顿晶体管配置3、示例4、达林顿晶体管应用5、Sziklai 晶体管对6、ULN2003A 达林顿晶体管阵列7、总结两个双极晶体管的达林顿晶体管配置可针对给定基极电流提供更大的电流切换。 1、概述 达林顿晶体管以其发明者 Sidney Da…
阅读更多...
洛谷_P5143 攀爬者_python写法

洛谷_P5143 攀爬者_python写法

P5143 攀爬者 - 洛谷 | 计算机科学教育新生态 (luogu.com.cn) 知识点&#xff1a; Python lambda&#xff08;匿名函数&#xff09; | 菜鸟教程 (runoob.com) import mathn int(input()) data [] for i in range(n):l list(map(int,input().split()))data.append(l)data.so…
阅读更多...
服务器硬件基础知识和云服务器的选购技巧

服务器硬件基础知识和云服务器的选购技巧

概述 服务器硬件基础知识涵盖了构成服务器的关键硬件组件和技术&#xff0c;这些组件和技术对于服务器的性能、稳定性和可用性起着至关重要的作用。其中包括中央处理器&#xff08;CPU&#xff09;作为服务器的计算引擎&#xff0c;内存&#xff08;RAM&#xff09;用于数据临…
阅读更多...
解决重装系统之后，开始菜单找不到Anaconda3相关图标

解决重装系统之后，开始菜单找不到Anaconda3相关图标

一、anaconda3安装后在开始菜单找不到&#xff0c;如下图所示 二、进入Anaconda3安装的位置 在安装位置按住shift键鼠标右键&#xff0c;打开poworshell&#xff0c;输入 start cmd最后的结果如图。
阅读更多...
力扣1. 两数之和

力扣1. 两数之和

思路&#xff1a;用一个map存放 已遍历过的元素和下标&#xff1b; 若当前元素是nums[i], 且该元素的另一半 target-nums[i] 在已遍历过的map里面&#xff0c;则返回两个元素的下标&#xff1b; class Solution {public int[] twoSum(int[] nums, int target) {int[] ans new…
阅读更多...
母亲的奶牛（bfs）

母亲的奶牛（bfs）

农夫约翰有三个容量分别为 A , B , C A,B,C A,B,C 升的挤奶桶。 最开始桶 A A A 和桶 B B B 都是空的&#xff0c;而桶 C C C 里装满了牛奶。 有时&#xff0c;约翰会将牛奶从一个桶倒到另一个桶中&#xff0c;直到被倒入牛奶的桶满了或者倒出牛奶的桶空了为止。 这一过…
阅读更多...
云计算新宠：探索Apache Doris的云原生策略

云计算新宠：探索Apache Doris的云原生策略

文章目录 Apache Doris 特性极简架构高效自运维高并发场景支持MPP 执行引擎明细与聚合模型的统一便捷数据接入 Apache Doris 极速 1.0 时代极速列式内存布局向量化的计算框架Cache 亲和度虚函数调用SIMD 指令集 稳定多源 关于 Apache Doris 开源社区基于云原生向量数据库Milvus…
阅读更多...
十四届蓝桥杯 冶炼金属（二分 / 公式）

十四届蓝桥杯 冶炼金属（二分 / 公式）

二分代码1&#xff1a; #include<iostream> #include<cstdio> #include<cmath> using namespace std;int get(int a, int b){int l1;r1e91;while(l<r){int mid lr >>1;if(a / mid < b){r mid;}else l mid 1;}return l; } int main() {int n…
阅读更多...
Nginx安装和平滑升级

Nginx安装和平滑升级

一、YUM安装
阅读更多...
13｜连接数据库：通过链和代理查询鲜花信息

13｜连接数据库：通过链和代理查询鲜花信息

新的数据库查询范式 提出问题&#xff1a;用户用自然语言提出一个问题&#xff0c;例如“去年的总销售额是多少&#xff1f;”。LLM 理解并转译&#xff1a;LLM 首先会解析这个问题&#xff0c;理解其背后的意图和所需的信息。接着&#xff0c;模型会根据解析的内容&#xff0c…
阅读更多...
3.18号arm

3.18号arm

4 跳转指令 实现汇编程序跳转的两种方式 直接修改PC的值 mov pc , #0x04 通过跳转指令跳转 b 标签 程序跳转到指定的标签下执行&#xff0c;此时LR寄存器不保存返回地址 bl 标签 程序跳转到指定的标签下执行&#xff0c;此时LR寄存器保存返回地址 5 内存读写指令&#xff0…
阅读更多...
docker安装华为opengauss高斯数据库

docker安装华为opengauss高斯数据库

opengauss高斯数据库 openGauss是一款企业级开源关系型数据库&#xff0c;由华为公司推出。它深度融合了华为多年的数据库领域经验&#xff0c;充分结合企业级场景需求&#xff0c;基于openGauss自研生态而打造。 在架构上&#xff0c;openGauss着重于传统数据库的企业级能力和…
阅读更多...
【Python爬虫】详解BeautifulSoup()及其方法

【Python爬虫】详解BeautifulSoup()及其方法

文章目录 &#x1f354;准备工作&#x1f339;BeautifulSoup()⭐代码实现✨打印标签里面的内容✨快速拿到一个标签里的属性✨打印整个文档&#x1f386;获取特定标签的特定内容 &#x1f339;查找标签&#x1f388;在文档查找标签 find_all&#x1f388;正则表达式搜索 &#x…
阅读更多...
如何做好一个“标题党”？媒介盒子揭秘

如何做好一个“标题党”？媒介盒子揭秘

广告界常说“酒香也怕巷子深”&#xff0c;好标题能够增强文案的点击率&#xff0c;标题党的目的就在于合理利用标题让自己的文案更有点击率。今天媒介盒子就来和大家聊聊&#xff1a;如何做好一个“标题党”。 一、 利用好奇心 好奇心是普遍存在的&#xff0c;比如当看小说的…
阅读更多...
题目：反转列表

题目：反转列表

目录 一、题目描述 方法一&#xff1a;扭动箭头 思路&#xff1a; 注意点&#xff1a; 代码&#xff1a; 代码解析&#xff1a; 1. 2. 优化代码&#xff1a; 注意&#xff1a; 1. 2. 方法二&#xff1a;头插 1.介绍头插 2.解决思路 3.代码 4.注意点 总结&#…
阅读更多...
AV1：帧内预测（一）

AV1：帧内预测（一）

​VP9支持10种帧内预测模式&#xff0c;包括8种角度模式和非角度模式DC、TM(True Motion)模式&#xff0c;AV1在其基础上进一步扩展&#xff0c;AV1帧内预测角度模式更细化&#xff0c;同时新增了部分非角度模式。 扩展的角度模式 AV1在VP9角度模式的基础上进一步扩展&#xf…
阅读更多...
漫谈微服务网关

漫谈微服务网关

一、什么是服务网关 服务网关 路由转发 过滤器 1、路由转发&#xff1a;接收一切外界请求&#xff0c;转发到后端的微服务上去&#xff1b; 2、过滤器&#xff1a;在服务网关中可以完成一系列的横切功能&#xff0c;例如权限校验、限流以及监控等&#xff0c;这些都可以通过…
阅读更多...
AI智能客服的数据训练流程

AI智能客服的数据训练流程

实现智能客服的数据训练流程可以分为几个主要步骤&#xff0c;包括数据准备、模型选择、模型训练和评估。以下是一个基本的数据训练流程&#xff0c;希望对大家有所帮助。北京木奇移动技术有限公司&#xff0c;专业的软件外包开发公司&#xff0c;欢迎交流合作。 1.数据准备&am…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023