YOLOv5解析|YOLOv5解析 | 第二篇（用YOLOv5训练自己的数据集（超级详细完整版））深度学习|YOLOv5|python

大家好，我是K同学啊！
我们接着上一篇文章 YOLOv5解析 | 第一篇：快速部署YOLOv5模型配置完YOLOv5需要的环境后，今天我们试着用YOLOv5训练自己的数据。（在开始本教程前，记得先跑一遍入门篇，确保其他环境是正常的）
有图有真相，先看看我昨天的运行结果

文章图片

【YOLOv5 源码地址】
我的环境：

语言环境：Python3.8
编译器：PyCharm
深度学习环境：
- torch==1.10.0+cu113
- torchvision==0.11.1+cu113
显卡：GeForce RTX 3080

文章目录

一、准备好自己的数据
二、运行 split_train_val.py 文件
三、运行 voc_label.py 文件
四、创建 ab.yaml 文件
五、开始用自己的数据集训练模型

一、准备好自己的数据我的目录结构是这样子的

主目录
- paper_data（自己创建一个文件夹，将数据放到这里）
  - Annotations（放置我们的.xml文件）
  - images（放置图片文件）
  - ImageSets
    - Main（会在该文件夹内自动生成 train.txt、val.txt、test.txt 和 trainval.txt 四个文件，存放训练集、验证集、测试集图片的名字）

你将会看如下的目录结构：

YOLOv5解析|YOLOv5解析 | 第二篇（用YOLOv5训练自己的数据集（超级详细完整版））

文章图片

Annotations文件夹为xml文件，我的文件如下：

文章图片

我images文件位.png格式，官方的为.jpg，不过问题不大后面改一下代码即可（后面会讲解）

文章图片

二、运行 split_train_val.py 文件 ImageSets文件夹下面有个Main子文件夹，其下面存放了 train.txt、val.txt、test.txt 和 trainval.txt 四个文件，它们是通过 split_train_val.py 文件来生成的。
split_train_val.py 文件的位置如下：

文章图片

split_train_val.py 的内容如下：

# coding:utf-8import os import random import argparseparser = argparse.ArgumentParser() #xml文件的地址，根据自己的数据进行修改 xml一般存放在Annotations下 parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path') #数据集的划分，地址选择自己数据下的ImageSets/Main parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path') opt = parser.parse_args()trainval_percent = 1.0 train_percent = 0.9 xmlfilepath = opt.xml_path txtsavepath = opt.txt_path total_xml = os.listdir(xmlfilepath) if not os.path.exists(txtsavepath): os.makedirs(txtsavepath)num = len(total_xml) list_index = range(num) tv = int(num * trainval_percent) tr = int(tv * train_percent) trainval = random.sample(list_index, tv) train = random.sample(trainval, tr)file_trainval = open(txtsavepath + '/trainval.txt', 'w') file_test = open(txtsavepath + '/test.txt', 'w') file_train = open(txtsavepath + '/train.txt', 'w') file_val = open(txtsavepath + '/val.txt', 'w')for i in list_index: name = total_xml[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()

运行 split_train_val.py 文件后你将得到 train.txt、val.txt、test.txt 和 trainval.txt 四个文件，结果如下：

文章图片

注：如何修改数据集中训练集、验证集、测试集的比例？请参考：

文章图片

三、运行 voc_label.py 文件先看看我们要生成的文件位置

文章图片

开始办事，现在我们需要的是 voc_label.py 文件，其位置如下：

文章图片

voc_label.py 文件的内容如下：

# -*- coding: utf-8 -*- import xml.etree.ElementTree as ET import os from os import getcwdsets = ['train', 'val', 'test'] classes = ["unripe citrus"]# 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, hdef convert_annotation(image_id): in_file = open('./Annotations/%s.xml' % (image_id), encoding='UTF-8') out_file = open('./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 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: if not os.path.exists('./labels/'): os.makedirs('./labels/') image_ids = open('./ImageSets/Main/%s.txt' % (image_set)).read().strip().split() list_file = open('./%s.txt' % (image_set), 'w') for image_id in image_ids: list_file.write(abs_path + '/images/%s.png\n' % (image_id)) # 注意你的图片格式，如果是.jpg记得修改 convert_annotation(image_id) list_file.close()

运行 voc_label.py 文件，你将会得到上面截图中 train.txt、test.txt、val.txt三个文件，文件内容如下：

文章图片

四、创建 ab.yaml 文件这个文件名是我随意取的，这个可以做出改变的哈
ab.yaml 文件的位置如下：

文章图片

我的 ab.yaml 文件内容如下：

#path: ../datasets/coco# dataset root dir train: ./paper_data/train.txt# train images (relative to 'path') 118287 images val: ./paper_data/val.txt# train images (relative to 'path') 5000 images #test: test-dev2017.txtnc: 1# number of classesnames: ['unripe citrus'] # 改成自己的类别

五、开始用自己的数据集训练模型 【YOLOv5解析|YOLOv5解析 | 第二篇（用YOLOv5训练自己的数据集（超级详细完整版））】输入命令：