划分数据集
split_train_val.py
import os
import random
import argparse
parser = argparse.ArgumentParser()
# 标注文件的地址，根据自己的标注文件所在的位置进行修改
parser.add_argument('--label_path', default='/data/test/txt', type=str, help='input label path')
# 数据集的划分输出地址，可以自己定
parser.add_argument('--save_path', default='imageSets/Path', type=str, help='output txt label path')
opt = parser.parse_args()
train_val_percent = 0.95 # 训练集和验证集所占比例，剩下的部分就是测试集。
train_percent = 8 / 9 # 训练集所占比例，可自己进行调整
label_file_path = opt.label_path
txt_save_path = opt.save_path
total_label = os.listdir(label_file_path)
if not os.path.exists(txt_save_path):
os.makedirs(txt_save_path)
num = len(total_label)
list_index = range(num)
tv = int(num * train_val_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txt_save_path + '/trainval.txt', 'w')
file_test = open(txt_save_path + '/test.txt', 'w')
file_train = open(txt_save_path + '/train.txt', 'w')
file_val = open(txt_save_path + '/val.txt', 'w')
for i in list_index:
name = total_label[i][:-4] + '\n'
if i in trainval:
file_trainval.write(name)
if i in train:
file_train.write(name)
else:
file_val.write(name)
else:
file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()
终端输入以下命令：
python3 split_train_val.py（Tips：如果运行失败，将python3修改成python）
例：train.txt
生成数据集路径txt文件（xml转txt）
# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ["test"] # 改成自己的类别
abs_path = os.getcwd()
print(abs_path)
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
def convert_annotation(image_ID):
in_file = open('D:/dataSet/marking/%s.xml' % image_ID, encoding='UTF-8')
out_file = open('D:/dataSet/labels/%s.txt' % image_ID, 'w')
tree = ET.parse(in_file)
root = tree.getroot()
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
# 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))
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)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for image_set in sets:
image_ids = open('imageSets/Main/%s.txt' % image_set).read().strip().split()
if not os.path.exists('imageSets/dataSet_path/'):
os.makedirs('imageSets/dataSet_path/')
list_file = open('imageSets/dataSet_path/%s.txt' % image_set, 'w')
# 这行路径不需更改，这是相对路径
for image_id in image_ids:
list_file.write('/data/basketball/images/%s.jpg\n' % image_id)
# convert_annotation(image_id) # 如果是xml标注文件转txt文件就删除最左边的#号
list_file.close()
（Tips：yolov5中txt标注文件夹应命名为labels，并与图片所在文件夹images处于同级目录）
运行效果：
编写配置文件
data
在yolov5/data目录下新建xxxx.yaml（自己命名，例如：test.yaml），内容模板如下：
train: /test/imageSets/dataSet_path/train.txt
val: /test/ly01/imageSets/dataSet_path/val.txt
# test: /test/imageSets/dataSet_path/test.txt
# number of classes
nc: 1
# class names
names: ["test"] # 自己的类别
（Tips：从这里可以看出，我们只告诉了yolov5图片路径，因为yolov5会去与images同级目录下的labels寻找标注txt文件）
cfg
在yolov5/models目录下新建xxxx.yaml（自己命名，例如yolov5t.yaml），内容根据希望训练的模型而变，例如我希望训练成像yolov5s.pt一样的模型，那就复制yolov5s.yaml中的内容到新建的yaml文件中，然后将nc（标注类别数目）修改成和上面一样的大小。
# YOLOv5 ???? by Ultralytics, GPL-3.0 license
# Parameters
nc: 1 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
anchors:
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32
# YOLOv5 v6.0 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 6, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
# YOLOv5 v6.0 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, C3, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3, [1024, False]], # 23 (P5/32-large)
[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
训练模型
做完前面的准备工作以后就可以开始训练模型了，我们使用yolov5目录下的train.py进行训练，train.py有许多参数，其中比较重要的有以下几个：
weights: 权重文件的路径
cfg: 存储模型结构的配置文件，也就是之前创建的yolov5t.yaml
data: 存储训练、测试数据的文件，也就是之前创建的test.yaml
epochs: 迭代次数，在训练过程中数据集将进行这么多次迭代
batch-size: “看完”多少张图片以后才进行一次权重更新
img-size: 输入图片宽高
device: 使用GPU还是CPU进行训练
workers: 线程数
resume: 使用最近保存的模型开始训练还有一些其他参数，可以看每个参数里面的help知道是什么作用，每个参数有默认值。
终端进入yolov5项目文件夹，根据自己的需要参数修改训练命令，例如：
python3 train.py --weights runs/train/exp2/weights/last.pt --cfg models/yolov5t.yaml --data data/test.yaml --epoch 200 --batch-size 8 --img 1280 --device 1 --workers 2训练可视化
终端进入yolov5项目文件夹，输入：
tensorboard --logdir=runs
报错
如果出现报错，应该是字体没找到，下载以后放在项目根目录就行
运行效果：
然后在浏览器打开网址就行
运行在远程服务器
自己的电脑上与远程服务器就行一个链接就行，和jupyternotebook一样，终端输入：
# 模板
ssh -N -f -L localhost:port1:localhost:port2 username@IP
# 说明
# port1: 自己电脑上随便一个空闲端口就行
# port2: 之前在ubuntu服务启动notebook的端口，记着的那个
# username: ubuntu用户名
# IP: ubuntu服务器IP，公网IP或者私网IP
# 示例: ssh -N -f -L localhost:8888:localhost:8888 hhh@198.162.1.1然后在自己的电脑*问localhost:port1即可
检测目标（查看效果）
在yolov5/data/images目录下存放要检测的图像或视频，然后终端进入项目根目录，输入命令：
python3 detect.py --weights runs/train/exp/weights/best.pt--weights后的路径根据实际情况修改