使用labelImg标注yolov5数据集并在kaggle中使用yolov5

news2025/1/13 2:34:03

使用labelImg标注yolov5数据集并在kaggle中使用yolov5

文章目录

前言
一、labelImg标注
- 1.1. 下载exe文件
- 1.2. labelImg 下载（源码）
- 1.3. 环境配置
- 1.4. 使用
- - 1.4.1. 设置
  - 1.4.2. 导入图片并标注
二、在kaggle中使用
- 2.1. 下载源码
- 2.2. 编辑配置文件
- 2.3. 将压缩包上传至kaggle中
- 2.4. 导出训练得到的文件
- 2.5. 补充：
总结

前言

本文主要介绍如何使用labelImg这个软件来对yolov5数据集进行标注，生成yolo格式的文件。以及如何在kaggle中使用yolov5代码进行目标检测。

一些资源分享，有需要自取：

链接：https://pan.baidu.com/s/1llTPjGmHsQiXEY75NkIC6g?pwd=1wht
提取码：1wht
–来自百度网盘超级会员V5的分享

视频：

使用labelImg标注数据集

在kaggle中运行yolov5

一、labelImg标注

1.1. 下载exe文件

直接下载windows支持的exe文件

https://github.com/HumanSignal/labelImg/releases

在这里插入图片描述

1.2. labelImg 下载（源码）

https://github.com/HumanSignal/labelImg

下载压缩文件或git clone 下来即可
在这里插入图片描述

1.3. 环境配置

使用编辑器（以pycharm为例）打开下载的源代码文件夹后

安装 pyqt5、PyQt5-tools、lxml、sip库

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyqt5

在这里插入图片描述

在终端输入

pyrcc5 -o resources.py resources.qrc

这时在labelimg-master文件夹中，就会出现resources.py文件，然后把resources.py复制到libs文件夹中。

在这里插入图片描述

修改labelimg.py

将pyqt4改为pyqt5
在这里插入图片描述

启动程序

在终端输入：

python .\labelImg.py

在这里插入图片描述
或者直接运行，成功后会弹出窗口：

在这里插入图片描述

1.4. 使用

1.4.1. 设置

提前建好一个文件夹，一个文件夹里再建俩个文件夹，一个是存放原始图片images，一个是打完标签后存放txt的文件夹annotations。

在这里插入图片描述

将要标注的图片放入images文件夹内，运行软件前可以更改下要标注的类别。这里选了10个类别
在存放labelimg源码的目录的data文件下找到predefined_classes.txt 这个txt文档，在里面输入自定义的类别名称，

在这里插入图片描述

功能键设置

在这里插入图片描述

1.4.2. 导入图片并标注

在这里插入图片描述
选择要标注的标签，比如“YNXSBN”
点击ok.

标签打完以后可以去annotations 文件下看到标签文件已经保存在这个目录下。

在这里插入图片描述
生成的标签文件的格式：
总共有5列，class x_center y_center width height 。
每行表示一个目标对象，每行中的第一个数表示目标类别，计数从0开始，比如这里有十个类别，故为0~9。后面的4个值代表目标真实框中心点（x，y）和真实框的宽、高信息。（并且已经全部做了归一化处理）

在这里插入图片描述

二、在kaggle中使用

2.1. 下载源码

https://github.com/ultralytics/yolov5

我们可以点击 Tags 来选择版本
在这里插入图片描述

在这里插入图片描述

我选的是v6.0，点击下载压缩文件即可

在这里插入图片描述

下载预训练权重，地址：https://github.com/ultralytics/yolov5/releases
根据自己需要选择预训练权重（和源码版本对上）

在这里插入图片描述

2.2. 编辑配置文件

先使用编辑器打开项目文件夹

在这里插入图片描述

修改配置文件，在data目录下新建一个yaml文件（我的文件是san_ye.ymal),加入以下内容:

#path为自己数据集的文件夹名称，要根据的数据集放置自己项目路径下的哪个位置进行更改
path: /kaggle/input/yolov5-san/yolov5-6.0/data/dataset  #(因为等下要上传到kaggle中，所以路径直接改成这样）
#train是训练时加载的图片或者标签的路径
train: train/images
#val是验证时加载的图片或者标签的路径
val: val/images
#test是测试时加载的图片或者标签的路径
test: test/images
# 类别数
nc: 10
# 类别名称
names: ['ZJWZ','ZJTZ','GXGL','GZQXN','YNKM','GXYL','SXXA','GXBS','YNXSBN','GZBJ']

在这里插入图片描述

修改源码

因为改变了训练数据集，并且是在kaggle中进行训练，所以要进行源码的修改

yolov5s.yaml需要将nc: 80 -->nc:10，这是因为预训练使用的coco128共有80个类别，而我们的数据集共10个类别。

在这里插入图片描述

train.py中要修改训练结果的保存路径（适应kaggle的输出路径）：

parser.add_argument('--project', default= '/kaggle/working/runs/train', help='save to project/name')

在这里插入图片描述

将loss.py中gain = torch.ones(7, device=targets.device)改为gain = torch.ones(7, device=targets.device).long()

参考文章： https://zhuanlan.zhihu.com/p/651266615

在这里插入图片描述

2.3. 将压缩包上传至kaggle中

先新建一个存放数据集的dataset，我这里命名为（yolov5-san)

在这里插入图片描述
然后新建一个笔记本（notebook),用来运行代码

在这里插入图片描述

搭建环境

!pip install -U -r /kaggle/input/yolov5-san/yolov5-6.0/requirements.txt

检测是否能运行

!python /kaggle/input/yolov5-san/yolov5-6.0/train.py --data /kaggle/input/yolov5-san/yolov5-6.0/data/san_ye.yaml --batch-size 32 --epochs 5 --cfg /kaggle/input/yolov5-san/yolov5-6.0/models/yolov5s.yaml --weights  /kaggle/input/yolov5-san/yolov5-6.0/yolov5s6.pt