Yolov5训练自己的数据集(windows10)
Yolov5训练自己的数据集(windows10)
环境配置+训练数据集
一.Anaconda 的安装教程(图文)
Anaconda下载
下载地址:https://www.anaconda.com/download/
我选择了64位 windows版本Anaconda安装
安装位置:C盘若是固态的话,装在C盘速度会很快,但是以后的各种包都会安装在C盘,空间是个问题;我因为C盘空间位置小,装在了D盘
环境变量:一定勾选
最后的界面可以取消两个对勾,Finish即可
Anaconda试用
安装完成以后,开始菜单出现如下界面,其中的Anaconda Prompt就是我们以后的编辑地址,相当于cmd
二.Yolov5环境配置
在环境配置开始之前,有一个非常好用的加速方式,就是下载各类库的过程中提速,就是使用清华源。
我们在pip的时候 在后边加上-i https://pypi.tuna.tsinghua.edu.cn/simple
例如,我们下载gevent库的时候pip install -i https://pypi.tuna.tsinghua.edu.cn/simple gevent
,速度很快
- 创建虚拟环境
conda create -n yolov5 python=3.7
activate yolov5
“yolov5”是环境名,当然可以自己定义。
python版本这里指定为3.7;如果不指定,默认安装3.8的。
以后打开Anaconda Prompt后进入环境的方法为:
activate yolov5
以后所有关于yolov5的操作,均在这一个环境里边,激活环境如下操作
2. 安装cuda和cudnn
此时已经在yolov5环境下了
conda install cudatoolkit==10.2.89
conda install cudnn==7.6.5
如果选择其他版本cuda,cuda版本必须和cudnn对应。此处选择cuda10.2。
3. 下载源码
https://github.com/ultralytics/yolov5
解压到文件盘中如下所示
4. 下载权重文件 .pt文件
https://github.com/ultralytics/yolov5/releases/tag/v5.0
下拉,下载这四个即可,直接下载到yolov5大文件夹下
直接下载到yolov5-master大文件夹下
5.下载各类配置文件
进入到yolov5-master中
在此之前需要安装pycocotools
这里提供百度云链接:https://pan.baidu.com/s/1gxI7a_-68-NyU67wQMIDJw
提取码:tpbj
可以放在yolov5-master大文件夹下
cd cocoapi/PythonAPIpython setup.py build_ext install
进行安装pycocotools
接下来是其他配置文件的安装,等待即可
pip install -U -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
6.下载pytorch
登录网站https://pytorch.org/
这里使用pip下载,选用稳定版本,cuda10.2
pip3 install torch==1.8.1+cu102 torchvision==0.9.1+cu102 torchaudio===0.8.1 -f https://download.pytorch.org/whl/torch_stable.html
环境配置结束!!!!
三.数据集训练
编译器我使用的是PyCharm
使用虚拟环境
1.Labelimg 标注
得到image图片与xml文件
pip install labelImg
安装
labelImg
启动
2.文件转换
在一个文件夹中
新建四个文件夹
Annotations 存放标注后的xml文件–需要自己置入
images 存放原图–需要自己置入
ImageSets 存放test train val trainval 的txt文件,将xml文件分类
labels 存放转化成功的txt文件,用于输入yolov5中
(1)编写makeTxt.py文件,生成txt文件于ImageSets中将Annotations中的xml文件分类
import os
import randomtrainval_percent = 0.2
train_percent = 0.8
xmlfilepath = './Annotations'
txtsavepath = './ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
ftrainval = open('./ImageSets/trainval.txt', 'w')
ftest = open('./ImageSets/test.txt', 'w')
ftrain = open('./ImageSets/train.txt', 'w')
fval = open('./ImageSets/val.txt', 'w')for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftrainval.write(name)if i in train:ftest.write(name)else:fval.write(name)else:ftrain.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()
运行结果
(2)编写voc_label文件,按照ImageSets中将Annotations中的xml文件分类,按照 ImageSets中的test train val trainval 的txt文件 读取xml 文件,转换为txt文件,并将文件分为train val test,最后也将txt文件至于label文件夹中
#train 训练集 val训练中的测试集,是为了让你在边训练边看到训练的结果,及时判断学习状态 test就是训练模型结束后,用于评价模型结果的测试集
# xml解析包
import xml.etree.ElementTree as ET
import pickle
import os
# os.listdir() 方法用于返回指定的文件夹包含的文件或文件夹的名字的列表
from os import listdir, getcwd
from os.path import joinsets = ['train', 'test', 'val']
#train 训练集 val训练中的测试集,是为了让你在边训练边看到训练的结果,及时判断学习状态
#test就是训练模型结束后,用于评价模型结果的测试集。classes = ['red','yellow','blue']# 进行归一化操作
def convert(size, box): # size:(原图w,原图h) , box:(xmin,xmax,ymin,ymax)dw = 1./size[0] # 1/wdh = 1./size[1] # 1/hx = (box[0] + box[1])/2.0 # 物体在图中的中心点x坐标y = (box[2] + box[3])/2.0 # 物体在图中的中心点y坐标w = box[1] - box[0] # 物体实际像素宽度h = box[3] - box[2] # 物体实际像素高度x = x*dw # 物体中心点x的坐标比(相当于 x/原图w)w = w*dw # 物体宽度的宽度比(相当于 w/原图w)y = y*dh # 物体中心点y的坐标比(相当于 y/原图h)h = h*dh # 物体宽度的宽度比(相当于 h/原图h)return (x, y, w, h) # 返回 相对于原图的物体中心点的x坐标比,y坐标比,宽度比,高度比,取值范围[0-1]# year ='2012', 对应图片的id(文件名)
def convert_annotation(image_id):'''将对应文件名的xml文件转化为label文件,xml文件包含了对应的bunding框以及图片长款大小等信息,通过对其解析,然后进行归一化最终读到label文件中去,也就是说一张图片文件对应一个xml文件,然后通过解析和归一化,能够将对应的信息保存到唯一一个label文件中去labal文件中的格式:calss x y w h 同时,一张图片对应的类别有多个,所以对应的bunding的信息也有多个'''# 对应的通过year 找到相应的文件夹,并且打开相应image_id的xml文件,其对应bund文件in_file = open('./Annotations/%s.xml' % (image_id), encoding='utf-8')# print(in_file.name)# 准备在对应的image_id 中写入对应的label,分别为# <object-class> <x> <y> <width> <height>out_file = open('./labels/%s.txt' % (image_id), 'w', encoding='utf-8')# print(out_file.name)# 解析xml文件tree = ET.parse(in_file)# 获得对应的键值对root = tree.getroot()# 获得图片的尺寸大小size = root.find('size')# 获得宽w = int(size.find('width').text)# 获得高h = int(size.find('height').text)# 遍历目标objfor obj in root.iter('object'):# 获得difficult ??difficult = obj.find('difficult').text# 获得类别 =string 类型cls = obj.find('name').text# 如果类别不是对应在我们预定好的class文件中,或difficult==1则跳过if cls not in classes or int(difficult) == 1:continue# 通过类别名称找到idcls_id = classes.index(cls)# 找到bndbox 对象xmlbox = obj.find('bndbox')# 获取对应的bndbox的数组 = ['xmin','xmax','ymin','ymax']b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))print(image_id, cls, b)# 带入进行归一化操作# w = 宽, h = 高, b= bndbox的数组 = ['xmin','xmax','ymin','ymax']bb = convert((w, h), b)# bb 对应的是归一化后的(x,y,w,h)# 生成 calss x y w h 在label文件中out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')# 返回当前工作目录
wd = getcwd()
print(wd)for image_set in sets:'''对所有的文件数据集进行遍历做了两个工作:1.讲所有图片文件都遍历一遍,并且将其所有的全路径都写在对应的txt文件中去,方便定位2.同时对所有的图片文件进行解析和转化,将其对应的bundingbox 以及类别的信息全部解析写到label 文件中去最后再通过直接读取文件,就能找到对应的label 信息'''# 先找labels文件夹如果不存在则创建if not os.path.exists('./labels/'):os.makedirs('./labels/')# 读取在ImageSets/Main 中的train、test..等文件的内容# 包含对应的文件名称image_ids = open('./ImageSets/%s.txt' % (image_set)).read().strip().split()# 打开对应的2012_train.txt 文件对其进行写入准备list_file = open('./%s.txt' % (image_set), 'w')# 将对应的文件_id以及全路径写进去并换行for image_id in image_ids:list_file.write('./images/%s.jpg\n' % (image_id))# 调用 year = 年份 image_id = 对应的文件名_idconvert_annotation(image_id)# 关闭文件list_file.close()
运行结果如下
注意分类 classes = ['red','yellow','blue'] 按照自己的来
3.yolov5中文件导入
在data/script中新建 “你自己的项目名”文件夹 我这里是FASC
里边内容为
分别存放原图和txt标注文件
接下来在scripts文件中创建FASC.yaml文件
# PASCAL VOC dataset http://host.robots.ox.ac.uk/pascal/VOC/
# Train command: python train.py --data voc.yaml
# Default dataset location is next to /yolov5:
# /parent_folder
# /VOC
# /yolov5# download command/URL (optional)
#download: bash data/scripts/get_voc.sh# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: E:\yolov5-master\data\scripts\FASC\images
val: E:\yolov5-master\data\scripts\FASC\images # number of classes
nc: 3# class names
names: [ 'red','yellow','blue']
其中路径为训练集和验证集的输入,这里设为同一路径,有余力可以进行细分。nc为类别数,names为类别与上文voc_label.py中的顺序对应
编辑yolov5-master下的train.py文件
接着运行,如果遇到报错建议更改batch-size大小
随后得到权重文件在weight中生成pt文件
最后编辑detect.py文件
修改这两处,放的都是绝对路径,一个是best.pt的路径,一个是需要检测的图片路径,也可以是视频的路径,输入0直接为摄像头。
指定位置查看结果!!
结束!!
谢谢观看,出现问题及时交流!!
Yolov5训练自己的数据集(windows10)相关推荐
- Windows10+YOLOv5训练自己的数据集
Windows10+YOLOv5训练自己的数据集 一.环境和配置 1.1 安装anaconda 1.2 在anaconda中安装pytorch虚拟环境 1.3 安装CUDA和cudnn 1.4 安装p ...
- YOLOv5训练自己的数据集(超详细)
目录 一.准备深度学习环境 二. 准备自己的数据集 1.创建数据集 2.转换数据格式 3.配置文件 三.模型训练 1.下载预训练模型 2.训练 四.模型测试 五.模型推理 YOLOv5训练自己的数 ...
- yolov5训练自己的数据集
How to Train YOLOv5 On a Custom Dataset 根据这篇文章下的数据集 YOLOv5训练自己的数据集 根据这篇文章,输入训练命令行 Hyperparameter ...
- 手把手教你使用YOLOV5训练自己的数据集并用TensorRT加速
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 前言 本文主要介绍目标检测YOLOV5算法来训练自己的数据集,并且使用TensorRT来对训练好的模型 ...
- Yolov5训练自己的数据集+TensorRT加速+Qt部署
本人由于项目要求,需要利用Yolov5网络训练自己的目标检测与分类模型,并利用TensorRT加速将其部署到Qt界面上.目前已经实现了整个流程,写下这篇博客供需要的各位参考.(本文描述的重点主要是在后 ...
- YOLOv5训练自己的数据集实现视频的识别
写在前面 我本来是使用这个模型进行手写签名的定位,但是因为比赛的主办方原因,数据不允许公开,所以我使用动物世界的一段开头视屏来制作我的数据集.这整个模型跑通的过程中,我参考了很多不错的博客,写这篇博客 ...
- yolov5训练自己的数据集,OpenCV DNN推理
学更好的别人, 做更好的自己. --<微卡智享> 本文长度为4238字,预计阅读9分钟 前言 上一篇<OpenCV--自学笔记>搭建好了yolov5的环境,作为目标检测在应用中 ...
- YOLOv5训练自己的数据集之详细过程篇
软硬件配置:Ubuntu + Tesla m40 24GB + cuda10.2 + anaconda 一.环境部署 1.源码下载 https://github.com/ultralytics/yol ...
- 深度学习目标检测---使用yolov5训练自己的数据集模型(Windows系统)
目录 0 前言 1.从githab上克隆yolov5代码 1.1 yolov5网络project克隆 1.2 项目代码结构的整体介绍 1.3 深度学习环境的配置和安装yolov5所需要的库 2. ...
最新文章
- 比Spring简单的IoC容器
- java.util.ConcurrentModificationException异常原因及解决方法
- java吃豆游戏_利用java编写的精灵吃豆的游戏
- Linux信号 四 异步等待信号与同步等待信号接口
- 企业应用“数据优先”革命的下一个主战场:安全与运营
- 奥鹏20年12月作业考核(C语言专科),《C语言(专科)》20年12月作业考核【答案100分】...
- css让背景图片显示透明遮罩_CSS项目测试(支持深色模式)
- 获取java 私有属性或 方法
- UIPikerView的属性和使用方法
- J.U.C - AQS
- hdu-5645 DZY Loves Balls(水题)
- 7、python数据框重复值的查找和删除
- Assets Error Listings APP-OFA-XXXX (文档 ID 1460268.1)
- DCT和IDCT原始公式计算
- 【GIF图片】用PS生成背景透明的GIF图片出现帧叠加的现象
- warp-transducer源码安装,warprnnt_pytorch生成
- 苹果计算机恢复计算器,苹果自带计算器删除怎么恢復
- dva介绍和官网案例
- Flutter 布局之企鹅电竞
- fragment 中调用getactivity()的时候报 nullpoint错误
热门文章
- 数据库驱动(JDBC Driver)jar包下载
- centos7 挂载 硬盘 shell 懒人系列-2
- linux下的go富集分析,GO富集分析(R包GOseq)
- lftp下载文件无法覆盖,提示 file already existst and xfer:clobber is unset 问题解决
- ARM体系架构—ARMv7-A处理器模式及寄存器
- zygote启动过程
- idea 断点线程_在IntelliJ IDEA中多线程并发代码的调试方法详解
- node.js卸载与重装
- springboot整合redis报错org.springframework.beans.factory.UnsatisfiedDependencyException
- tif文件转为shp文件_arcgis中tif转成shp