1.1数据集下载
我使用的是下面的数据集,有需要可去以下链接下载 trianA数据集下载链接:https://pan.baidu.com/s/1zj3MqZEHKHpFACs95Ov4gQ?pwd=ma1p trianB数据集下载链接:https://pan.baidu.com/s/1whg_-jLfbUnfpZkKjvdziQ?pwd=yg541.2yolov5s下载
(1)官网下载
从github上下载yolov5的模型,这里选取的yolov5 ,tags为6.2的版本。 下载网址:https://github.com/ultralytics/yolov5 点击code---download 即可下载压缩包2.下载预训练模型
从刚刚下载yolov5的github的官网上,下载的预训练模型, yolov5一共有5种模型: YOLOv5n:最小的模型,适合在移动端部署。 YOLOv5s:小型模型,适合在CPU上进行推断。YOLOv5m:中等大小的模型,是速度和准确性之间的平衡点,适用于许多数据集和训练任务。 YOLOv5l:大型模型,适用于需要检测较小物体的数据集。 YOLOv5x:最大的模型,拥有最高的mAP指标,但相对较慢,参数数量为86.7百万。 这里我们选取了比较小的YOLOv5s的模型,可以在CPU上训练,亦可以从GPU上训练。 想要用别的yolo版本可以去GitHub搜,是一样的. 下载好yolov5文件后解压到一个文件夹里,这时会发现少了一个yolov5.pt的文件 可以在上面给出的下载链接中往下划,寻找的图中的页面,需要哪个就下那个版本的yoloxx.pt,然后把文件复制到你的文件夹里就行.1.3下载ANACONDA
从以下链接可以进入下载ANACONDA的官网 Download Anaconda Distribution | Anaconda 下面的按钮的跳过注册 然后就进入了下载界面,弄完了ANACONDA之后,就是准备 python 和 pytorch1.4python和pytorch
(1)环境配置
首先为自己的项目创建虚拟环境,这里我的项目名为:pytorch_study, python 版本为3.9;请在conda :conda create -n pytorch_study python==3.9
conda activate pytorch_study
(2)pytorch安装
(gpu版本和cpu版本的安装) 实际测试情况是YOLOv5在CPU和GPU的情况下均可使用,不过在CPU的条件下训练那个速度会令人发 指,所以有条件的小伙伴一定要安装GPU版本的Pytorch。 pytorch 安装注意事项 ①安装之前一定要先更新你的显卡驱动,去官网下载对应型号的驱动安装 ②30系显卡只能使用cuda11的版本 ③一定要创建虚拟环境,这样的话各个深度学习框架之间不发生冲突 可以直接从以下链接进入 pytorch官网 PyTorch 记得一定得要是conda的,如果不点conda默认是pip的下载链接.(3)下载requirements文件
① conda 安装的方式 如下:conda activate pytorch_study
然后执行以下命令:
conda install --yes --file requirements.txt
1.5数据预处理
1.标签转换
(1)我们以train_B_1502的图片和标签为例,首先打开标签文件如下, 分别代表:类别标签, x_min , y_min , x_max , y_max; x_min , y_min为左上角的坐标, x_max , y_max为右下角的坐标; 创建 labels_convert.py 文件 下面我们将首先我们将标签文件处理成yolo的标签文件,创建脚本:labels_convert.py文件, 示例代码如下:import os
# 假设所有图片的大小是固定的,根据你的实际情况调整
img_width = 1280
img_height = 720
def convert_bbox_to_yolo_format(x_min, y_min, x_max, y_max, img_w, img_h):
"""
将边界框从 <x_min, y_min, x_max, y_max> 转换为 YOLO 格式 <x_center, y_center,width, height>,并归一化坐标。
"""
x_center = ((x_min + x_max) / 2) / img_w
y_center = ((y_min + y_max) / 2) / img_h
width = (x_max - x_min) / img_w
height = (y_max - y_min) / img_h
return x_center, y_center, width, height
def process_label_files(label_dir):
for label_file in os.listdir(label_dir):
file_path = os.path.join(label_dir, label_file)
with open(file_path, 'r') as file:
lines = file.readlines()
# 准备新的标签内容
new_lines = []
for line in lines:
parts = line.strip().split()
if len(parts) == 5:
cls, x_min, y_min, x_max, y_max = map(float, parts)
x_center, y_center, width, height = convert_bbox_to_yolo_format(x_min, y_min, x_max, y_max, img_width, img_height)
new_line = f"{int(cls)}\t{x_center:.6f}\t{y_center:.6f}\t{width:.6f}\t{height:.6f}\n"
new_lines.append(new_line)
# 将转换后的标签写回文件
with open(file_path, 'w') as file:
file.writelines(new_lines)
if __name__ == "__main__":
label_directory = 'mydatab\labels' # 修正路径中的反斜杠 (把这里的文件相对地址搞成你们的地址)
process_label_files(label_directory)
print("convert over")
2.数据集划分
我们的数据集结构为: ├── images ├── labels 而yolov5的数据集结构为: ├── images │ ├── train │ ├── val │ └── test ├── labels │ ├── train │ ├── val │ └── test 因此我们需要按照yolov5的数据集结构进行划分数据集。 创建 split_data.py 这里我们需要根据yolov5的数据结构,创建自己数据集的结构:这里来存放数据集信息,创建 split_data.py;将图片和标签都按照训练集:校验集:测试集=8:1:1的比例进行划分;(训练集训练参 数,校验集调整超参数,测试集对模型进行测试) 划分数据集的代码:import os
import random
from shutil import copyfile
def split_dataset(image_folder, txt_folder, output_folder, split_ratio=(0.8,0.1, 0.1)):
# Ensure output folders exist
for phase in ['train', 'val', 'test']:
os.makedirs(os.path.join(output_folder, 'images', phase), exist_ok=True)
os.makedirs(os.path.join(output_folder, 'labels', phase), exist_ok=True)
# Get list of image files
image_files = [f for f in os.listdir(image_folder) if f.endswith(('.jpg','.jpeg', '.png'))]
random.shuffle(image_files)
num_images = len(image_files)
num_train = int(split_ratio[0] * num_images)
num_val = int(split_ratio[1] * num_images)
train_images = image_files[:num_train]
val_images = image_files[num_train:num_train + num_val]
test_images = image_files[num_train + num_val:]
# Copy images and labels to respective folders
for phase, images_list in zip(['train', 'val', 'test'], [train_images,val_images, test_images]):
for image_file in images_list:
# Copy image
image_path = os.path.join(image_folder, image_file)
target_image_path = os.path.join(output_folder, 'images', phase,image_file)
copyfile(image_path, target_image_path)
# Copy corresponding txt file if exists
txt_file = os.path.splitext(image_file)[0] + '.txt'
txt_path = os.path.join(txt_folder, txt_file)
target_txt_path = os.path.join(output_folder, 'labels', phase,txt_file)
if os.path.exists(txt_path):
copyfile(txt_path, target_txt_path)
if __name__ == "__main__":
image_folder_path = "mydatab\images"(把这里的文件相对地址搞成你们的地址)
txt_folder_path = "mydatab\labels"(把这里的文件相对地址搞成你们的地址)
output_dataset_path = "datasetsd"(把这里的文件相对地址搞成你们的地址)
split_dataset(image_folder_path, txt_folder_path, output_dataset_path)
print("Split complete.")
划分训练集后得到images如下:
得到的labels如下:
1.6.模型训练
1.创建bdd_traina.yaml文件
YOLOv5训练中最重要的一个属性是数据集的YAML文件。 在yolov5目录下的data文件夹下新建一个bdd_trainb.yaml文件(可以自定义命名)。在执行训练脚本 时,我们需要将此文件路径作为参数提供,以便脚本可以识别图像路径、标签路径和类别名称。数据集 已经包含了这个文件,以下是我们在这里用于训练的bdd_trainb.yaml文件的内容:# YOLOv5
标签:install,检测,image,images,conda,file,path,yolov5s,构建
From: https://blog.csdn.net/whitesandcnm/article/details/142097472