yolov5目标检测

汽车安全 8个月前 admin
358 0 0

1. 数据配置

1.1. 工具安装

点击上方蓝字车端,关注我们

Labelimg 是一款开源的数据标注工具,可以标注三种格式:

1.VOC标签格式,保存为xml文件

2.yolo标签格式,保存为txt文件

3.createML标签格式,保存为json格式

安装也比较简单:

$ pip3 install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

1.2. 数据准备

 

1.2.1. 建立文件夹和基础文件

 

先在主目录建立一个 resources 文件夹,专门用来存放总的训练数据

然后在该目录下建立一个 VOC_DIY 文件夹,用于这次训练的数据文件夹

在这里面建立一个 JPEGImages 文件夹存放需要打标签的图片文件

再建立一个 Annotations 文件夹存放标注的标签文件

最后创建一个名为 predefined_classes.txt 的 txt 文件来存放所要标注的类别名称

最终结构如下:

yolov5目标检测

1.2.2. 编辑类别种类

 

假设任务是需要一个检测人和手表的任务,那么目标只有两个

先编辑 predefined_classes.txt 文件,定义的类别种类:

personwatche

1.2.3. 放置标注图片

 

然后把待标注的图片放在 JPEGImages 文件夹中,这里演示只用10张:

yolov5目标检测

实际应用时需要更多更好的数据,数量和质量都很重要

1.3. 数据标注

 

路径切换到yolov5resourcesVOC_DIY数据集文件夹中来

在该地址启动 labelimg

$ labelimg JPEGImages predefined_classes.txt

基础的配置和使用参考网上随便搜一下就好了,如《labelImg使用教程》(https://blog.csdn.net/weixin_42899627/article/details/109000509)

主要设置:

•Auto Save mode:切换到下一张图的时候,会自动保存标签。

•Display Labels:显示标注框和标签

•Advanced Mode:标注的十字架悬浮在窗口上

yolov5目标检测

标注好了之后,可以在 Annotations 文件夹中查看:

yolov5目标检测

1.4. 数据转换

 

目标检测的数据集资源标签的格式一般都是VOC(xml格式)

刚刚labelimg默认配置的也是,不过也可以自己设置为 yolo(txt格式)

现在就需要对xml格式的标签文件转换为txt文件

同时将数据集需要划分为训练集和验证集

路径切回工程主目录,建立一个 voc2yolo.py 文件实现以上所述功能

import xml.etree.ElementTree as ETimport osimport randomfrom shutil import rmtree, copyfile
classes = ["person", "watche"]
TRAIN_RATIO = 0.8VOC_PATH = 'resources/VOC_DIY/'CLEAR_HISTORICAL_DATA = True

def convert(size, box):    dw = 1. / size[0]    dh = 1. / size[1]    x = (box[0] + box[1]) / 2.0    y = (box[2] + box[3]) / 2.0    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(VOC_PATH + 'Annotations/%s.xml' % image_id)    out_file = open(VOC_PATH + 'YOLOLabels/%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        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))        bb = convert((w, h), b)        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + 'n')    in_file.close()    out_file.close()

work_sapce_dir = os.path.join(os.getcwd(), VOC_PATH).replace('/','\')annotation_dir = os.path.join(work_sapce_dir, "Annotations/").replace('/','\')image_dir = os.path.join(work_sapce_dir, "JPEGImages/").replace('/','\')
yolo_labels_dir = os.path.join(work_sapce_dir, "YOLOLabels/").replace('/','\')yolov5_images_dir = os.path.join(work_sapce_dir, "images/").replace('/','\')yolov5_labels_dir = os.path.join(work_sapce_dir, "labels/").replace('/','\')yolov5_images_train_dir = os.path.join(yolov5_images_dir, "train/").replace('/','\')yolov5_images_test_dir = os.path.join(yolov5_images_dir, "val/").replace('/','\')yolov5_labels_train_dir = os.path.join(yolov5_labels_dir, "train/").replace('/','\')yolov5_labels_test_dir = os.path.join(yolov5_labels_dir, "val/").replace('/','\')
dir_list = [yolo_labels_dir, yolov5_images_dir, yolov5_labels_dir,            yolov5_images_train_dir, yolov5_images_test_dir,            yolov5_labels_train_dir, yolov5_labels_test_dir]
for dir in dir_list:    if not os.path.isdir(dir):        os.mkdir(dir)    elif CLEAR_HISTORICAL_DATA is True:        rmtree(dir)        os.mkdir(dir)        print("Clean {}".format(dir))
train_file = open(os.path.join(work_sapce_dir, "yolov5_train.txt"), 'w')test_file = open(os.path.join(work_sapce_dir, "yolov5_val.txt"), 'w')train_file.close()test_file.close()train_file = open(os.path.join(work_sapce_dir, "yolov5_train.txt"), 'a')test_file = open(os.path.join(work_sapce_dir, "yolov5_val.txt"), 'a')
list_imgs = os.listdir(image_dir)list_imgs.sort()random.shuffle(list_imgs)imgs_len = len(list_imgs)
for i in range(0, imgs_len):    path = os.path.join(image_dir, list_imgs[i])    if os.path.isfile(path):        image_path = image_dir + list_imgs[i]        voc_path = list_imgs[i]        (nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path))        (voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path))        annotation_name = nameWithoutExtention + '.xml'        annotation_path = os.path.join(annotation_dir, annotation_name)        label_name = nameWithoutExtention + '.txt'        label_path = os.path.join(yolo_labels_dir, label_name)
    if i <= TRAIN_RATIO * imgs_len:        if os.path.exists(annotation_path):            train_file.write(image_path + 'n')            convert_annotation(nameWithoutExtention)            copyfile(image_path, yolov5_images_train_dir + voc_path)            copyfile(label_path, yolov5_labels_train_dir + label_name)    else:        if os.path.exists(annotation_path):            test_file.write(image_path + 'n')            convert_annotation(nameWithoutExtention)            copyfile(image_path, yolov5_images_test_dir + voc_path)            copyfile(label_path, yolov5_labels_test_dir + label_name)    print("r进度:{:3d} %".format(int((i + 1) / imgs_len * 100)), end='', flush=True)
train_file.close()test_file.close()input("n输入任意键退出")

运行该文件就可以得到所需的训练集和验证集了

yolov5目标检测

1.5. 修改配置

 

1.5.1. 修改数据配置文件

编辑data目录下的相应的yaml文件


找到目录下的voc.yaml文件,将该文件复制一份,将复制的文件重命名为watche.yaml


根据项目实况保留有用信息:

path: ./resources/VOC_DIYtrain: # train images (relative to 'path')  8 images  - images/trainval: # val images (relative to 'path')  2 images  - images/val
# Classesnc: 2  # number of classesnames: ['person', 'watche']  # class names

1.5.2. 修改模型配置文件

 

由于该项目使用的是yolov5s.pt这个预训练权重,所以要使用models目录下的yolov5s.yaml文件中的相应参数

将yolov5s.yaml文件复制一份,然后将其重命名为yolov5_watche.yaml

根据项目实况改个;类型数量就好了:

# nc: 80  # number of classesnc: 2  # number of classes

2. 训练配置

训练是利用 train.py 文件

2.1. 参数设置

 

同《YOLOv5 使用入门》一样,主要还是看参数设置:

def parse_opt(known=False):    parser = argparse.ArgumentParser()    parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')    parser.add_argument('--cfg', type=str, default='', help='model.yaml path')    parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')    parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')    parser.add_argument('--epochs', type=int, default=300)    parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')    parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')    parser.add_argument('--rect', action='store_true', help='rectangular training')    parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')    parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')    parser.add_argument('--noval', action='store_true', help='only validate final epoch')    parser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')    parser.add_argument('--noplots', action='store_true', help='save no plot files')    parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')    parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')    parser.add_argument('--cache', type=str, nargs='?', const='ram', help='--cache images in "ram" (default) or "disk"')    parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')    parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')    parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')    parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='SGD', help='optimizer')    parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')    parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')    parser.add_argument('--project', default=ROOT / 'runs/train', help='save to project/name')    parser.add_argument('--name', default='exp', help='save to project/name')    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')    parser.add_argument('--quad', action='store_true', help='quad dataloader')    parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler')    parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')    parser.add_argument('--patience', type=int, default=100, help='EarlyStopping patience (epochs without improvement)')    parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone=10, first3=0 1 2')    parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')    parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')
    # Weights & Biases arguments    parser.add_argument('--entity', default=None, help='W&B: Entity')    parser.add_argument('--upload_dataset', nargs='?', const=True, default=False, help='W&B: Upload data, "val" option')    parser.add_argument('--bbox_interval', type=int, default=-1, help='W&B: Set bounding-box image logging interval')    parser.add_argument('--artifact_alias', type=str, default='latest', help='W&B: Version of dataset artifact to use')
    opt = parser.parse_known_args()[0] if known else parser.parse_args()    return opt

yolov5目标检测
yolov5目标检测

将权重路径、权重配置和数据集配置文件路径修改

parser.add_argument('--weights', type=str, default=ROOT / 'weights/yolov5s.pt', help='initial weights path')parser.add_argument('--cfg', type=str, default=ROOT / 'models/yolov5s_watche.yaml', help='model.yaml path')parser.add_argument('--data', type=str, default=ROOT / 'data/watche.yaml', help='dataset.yaml path')

还有需要改动的一般就是训练次数、批次大小和工作核心数了

parser.add_argument('--epochs', type=int, default=300)parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')

2.2. 执行训练

 

配置好后,直接执行

$ python train.py

期间可以用 tensorboard 查看参数

$ tensorboard --logdir=runs/train

复制显示的网址地址,在浏览器打开查看训练过程

yolov5目标检测

3. 检测效果

训练过程数据和模型存放在 runstrainexp 文件夹中

yolov5目标检测

一个为最优的权重文件 best.pt,一个为最后一轮训练的权重文件 last.pt

在训练过程中大小在50M左右,不过训完成后处理为14M左右

参考 《YOLOv5 使用入门》(https://joveh-h.blog.csdn.net/article/details/125206372),利用验证集的图片数据、刚训练好的模型和数据集配置进行检测:

$ python detect.py --source=resources/VOC_DIY/images/val/7.jpg  --weights=runs/train/exp/weights/best.pt --data=data/watche.yaml

效果还是可以的

yolov5目标检测

cls:1, xywh:[0.7656546235084534, 0.6132478713989258, 0.14231498539447784, 0.06410256773233414], conf:0.77cls:0, xywh:[0.4962049424648285, 0.5197649598121643, 0.7267552018165588, 0.6314102411270142], conf:0.78

版权声明:本文为CSDN博主「氢键H-H」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。

原文链接:

https://blog.csdn.net/qq_32618327/article/details/125225366

 

原文始发于微信公众号(车端):yolov5目标检测

版权声明:admin 发表于 2023年10月16日 下午7:46。
转载请注明:yolov5目标检测 | CTF导航

相关文章

暂无评论

您必须登录才能参与评论!
立即登录
暂无评论...