Yolov5训练自己的数据集（windows10）
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了Yolov5训练自己的数据集（windows10），小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含8501字，纯文字阅读大概需要13分钟。
内容图文
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/PythonAPI
python 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 random
trainval_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 join
sets = ['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/w
dh = 1./size[1] # 1/h
x = (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obj
for 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id
cls_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_id
convert_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！！
内容总结
以上是互联网集市为您收集整理的Yolov5训练自己的数据集（windows10）全部内容，希望文章能够帮你解决Yolov5训练自己的数据集（windows10）所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。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。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。