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='Fruit_dect/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='Fruit_dect/ImageSets/Main/', type=str, help='output txt label path')

# 解析命令行参数opt = parser.parse_args()
args = parser.parse_args(args=[])
opt =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位置如下

voc_label.py代码如下：

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
classes = ["banana", "snake fruit", "dragon fruit", "pineapple"]

# 获取当前工作目录的绝对路径
abs_path = getcwd()
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])
    dh = 1./(size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    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

# 定义一个函数，将标注文件从xml格式转为YOLO格式
def convert_annotations(image_id, annotations_dir, labels_dir):
    in_file = open(os.path.join(annotations_dir, "%s.xml" % image_id), encoding='UTF-8')
    out_file = open(os.path.join(labels_dir, "%s.txt" % image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    filename = root.find('filename').text
    filenameFormat = filename.split(".")[1]
    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))
        if b[1] > w:
            b[1] = w
        if b[3] > h:
            b[3] = h
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + "\n")
    return filenameFormat

# 指定 annotations 和 labels 目录的路径
annotations_dir = './annotations'
labels_dir = './labels'

# 遍历每个数据集（train、val、test）
for image_set in sets:
    if not os.path.exists(labels_dir):
        os.makedirs(labels_dir)
    image_ids = open(os.path.join('./ImageSets/Main', '%s.txt' % image_set)).read().strip().split()
    list_file = open(os.path.join('./', '%s.txt' % image_set), 'w')
    for image_id in image_ids:
        filenameFormat = convert_annotations(image_id, annotations_dir, labels_dir)
        if filenameFormat:
            list_file.write(os.path.join(abs_path, 'images', '%s.%s\n' % (image_id, filenameFormat)))
    list_file.close()

jupyter中的路径问题始终是大事

新的问题出现了，为什么txt文件是空的呢 ？答案：重启内核重新弄就好了，因为有一些代码是在pycharm中运行的，不适配。需要改一改。

执行后得到结果：

四、创建 fruit.yaml 文件

新建fruit.yaml 文件：这个文件名是我随意取的，这个可以做出改变的，fruit.yaml 文件的位置如下:这样方便统一管理，当然了，这都无所谓的，只要最后训练的时候，代码路径不出错就好了

内容如下 文件位置我换了 这个无所谓的

五、开始用自己的数据集训练模型

终端执行（有GPU）：python ./train.py --img 900 --batch 16 --epoch 100 --data ./Fruit_test/fruit.yaml --cfg ./models/Fruit_test.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。

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：

六六六、终于到总结了

其实想说的有很多，收获也很大，踩了很多的坑，主要是代码不熟悉，路径总错，我使用的云服务器上的jupyter，所以一些路径的问题就需要注意。这次需要注意的点有三个

1、数据集有三种格式，文中用的xml，而且是标注好的，划分之后换成txt文件然后存储到yaml文件中。

2、模型文件也存在yaml文件中，运行训练的时候主要指定数据yaml和模型yaml文件，要注意。

3、自己基础不牢，对整个项目还没贯通，还需要补充文章细节。

继续加油吧，继续复习吧，期待下一周的任务，不过由于导师要求，我可能会加快更新速度，提高论文质量。