使用kears-retinanet训练自己的数据集 1.数据准备 (1.)数据标注
使用labelimg对自己准备好的数据集图片进行标注，我是mac版本的labelimg直接搜索下载mac版本的labelimg包，解压缩后运行
python Downloads/labelImg/labelImg.py
即可使用，w是标注框的快捷键，a键是上一张图片，d键是下一张图片，有一个经验是:数据文件夹和标注的label以及图片的名字尽量不要包含中文。
标注完成的样子如图：

文章图片

(2).数据集切分

// An highlighted block # -*- coding=utf-8 -*- import os import shutil import random #修改split_fraction的数值改变切分的比例，我自己训练和验证是9:1 def split_dataset(dataset, split_fraction=0.9): train_data_dir = os.path.join(dataset, 'train') test_data_dir = os.path.join(dataset, 'test')if os.path.exists(train_data_dir) and os.path.exists(test_data_dir): return train_data_dir, test_data_dir os.makedirs(train_data_dir) os.makedirs(test_data_dir)#根据自己的图片后缀修改JPG为你对应图片的数据类型，共6处 img_samples = [tr for tr in os.listdir(dataset) if tr.endswith('.JPG')] print(len(img_samples)) train_samples = random.sample(img_samples,int(len(img_samples)*split_fraction)) test_samples = [te for te in img_samples if te not in train_samples] os.mkdir(os.path.join(dataset,'train','JPEGImages')) os.mkdir(os.path.join(dataset,'train','Annotations')) os.mkdir(os.path.join(dataset, 'test', 'JPEGImages')) os.mkdir(os.path.join(dataset,'test','Annotations')) for s in train_samples: print(s) shutil.move(os.path.join(dataset,s),os.path.join(dataset,'train','JPEGImages')) shutil.move(os.path.join(dataset,s.replace('JPG','xml')),os.path.join(dataset,'train','Annotations')) for t in test_samples: shutil.move(os.path.join(dataset, t), os.path.join(dataset, 'test', 'JPEGImages')) shutil.move(os.path.join(dataset, t.replace('JPG','xml')), os.path.join(dataset, 'test', 'Annotations')) return train_data_dir, test_data_dir def clean_dataset(dataset): img_samples = [tr for tr in os.listdir(dataset) if tr.endswith('.JPG') ] xml_samples = [tr for tr in os.listdir(dataset) if tr.endswith('.xml')] if len(img_samples) > len(xml_samples): for s in img_samples: ifs.replace('JPG','xml') not in xml_samples: os.remove(os.path.join(dataset,s)) else: for s in xml_samples: if s.replace('JPG','xml') not in img_samples: os.remove(os.path.join(dataset,s))if __name__ == '__main__': #修改自己的数据集位置，该文件中应包含所有的图片及对应的xml clean_dataset('/path/data') split_dataset('/path/data')

执行完该切分代码后文件夹中会变成这样：
data为你的原始文件夹下面会被切分成train/test，train里面包含Annotations（存放左右的xml）和JPEGImages （存放所有的图片）2个文件夹，test里面一样。

文章图片

(3).生成训练所需的csv文件
将train中的Annotations和下面这段代码的py文件放在同一个目录下，运行py文件会在同目录下生成2个文件：

#-*- coding:utf-8 -*-import csv import os import glob import sysclass PascalVOC2CSV(object): def __init__(self,xml=[], ann_path='./Annotations.csv',classes_path='./classes.csv'): ''' :param xml: 所有Pascal VOC的xml文件路径组成的列表 :param ann_path: ann_path :param classes_path: classes_path ''' self.xml = xml self.ann_path = ann_path self.classes_path=classes_path self.label=[] self.annotations=[]self.data_transfer() self.write_file()def data_transfer(self): for num, xml_file in enumerate(self.xml): #try: # print(xml_file) # 进度输出 sys.stdout.write('\r>> Converting image %d/%d' % ( num + 1, len(self.xml))) sys.stdout.flush()with open(xml_file, 'r',encoding='UTF-8') as fp: for p in fp: if '' in p: self.filen_ame = p.split('>')[1].split('<')[0] print(self.filen_ame)if '