首页 > 其他分享 >目标检测与比对,使用yolov5s跑数据集构建模型

目标检测与比对,使用yolov5s跑数据集构建模型

时间:2024-09-14 08:55:50浏览次数:13  
标签:install 检测 image images conda file path yolov5s 构建

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=yg54 

1.2yolov5s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 e0ac6bea93fb42c38b925483c6b9eaf3.png

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 4523008aa6294450a009a82ef0df810d.png 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 45d8d356f7124e038e37294580d77308.png 下面的按钮的跳过注册 8a40c8f06bc24dccbecbe9409ea94a7b.png 然后就进入了下载界面,弄完了ANACONDA之后,就是准备 python pytorch

1.4pythonpytorch

(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 f9b02c7dc7704b08a1baa0c7782fce82.png 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

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, 1afcb1a979c744c7a940829f94708f14.png 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: f2dc3090fbfc4fed9f5831e886d2d500.png 得到的labels如下: 51165c1389184828975ff9e989b535e0.png

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

相关文章

  • 人员睡岗检测识别系统
    人员睡岗检测识别系统是基于现场监控摄像头视频采集现场的监控图像画面,人员睡岗检测识别系统运用ai智能神经网络算法和机器学习技术,替代人的眼睛,全天候不间断监控人员办公区域,自动对视频监控画面人员睡岗离岗行为进行分析识别,为安全工作护航。该系统应用已有的监控摄像机,不用新增......
  • 图像检测【YOLOv5】——深度学习
    Anaconda的安装配置:(Anaconda是一个开源的Python发行版本,包括Conda、Python以及很多安装好的工具包,比如:numpy,pandas等,其中conda是一个开源包和环境管理器,可以在不同环境之间切换,是深度学习的必备平台。)一.Anaconda安装配置.1.首先进入官网:https://repo.anaconda.com,选择ViewAllIns......
  • RAG 幻觉检测方法
    RAG幻觉检测方法未经检查的幻觉在今天的检索增强生成应用中仍然是一个大问题。本研究评估了4个公共RAG数据集中流行的幻觉检测器。使用AUROC和精度/召回率,我们报告了G-eval、Ragas和可信语言模型等方法如何能够自动标记不正确的 LLM响应。利用各种幻觉检测方法识别......
  • Redis集群:构建高性能和高可用的键值存储系统
    引言Redis,即RemoteDictionaryServer,是一种开源的高性能键值数据库。它支持多种类型的数据结构,如字符串、哈希、列表、集合、有序集合等。随着业务的发展,单个Redis实例可能无法满足大规模数据存储和高并发访问的需求。Redis集群提供了一种解决方案,通过分布式存储和自动分片来......
  • 树形结构构建的两种方式
    树形结构构建的两种方式树形结构(TreeStructure)是一种常用的数据结构,用于表示具有层次关系的数据集。树形结构由节点(Nodes)组成,这些节点通过边(Edges)相互连接。每个节点可以有零个或多个子节点,但只有一个父节点(除了根节点外)。一,树形结构的基本概念节点(Node):每个树的组成......
  • YOLOv9改进策略【损失函数篇】| 引入Soft-NMS,提升密集遮挡场景检测精度,包括GIoU-NMS、
    一、背景:传统的非极大值抑制(NMS)算法在目标检测中存在一个问题,即当一个物体的检测框与具有最高得分的检测框M有重叠(在预定义的重叠阈值内)时,会将该检测框的得分设置为零,从而导致该物体可能被遗漏,降低了平均精度。为了解决这个问题,作者提出了Soft-NMS算法。本文将YOLOv9默认......
  • 构建 openEuler Embedded 24.03 LTS (Phytium BSP)
    Ubuntu24.04构建openEulerEmbedded24.03LTS(PhytiumBSP)参考链接:Phytium-OpenEuler-Embedded-BSP-Gitee1介绍本文档介绍如何在Ubuntu24.04上构建openEulerEmbedded24.03LTS(PhytiumBSP)。对计算机配置有要求。2脚本将以下内容复制到新文件oe_phy.sh,添加权......
  • 网站打开提示:”未检测到您服务器环境的sqlite3数据库扩展...“
    当你的网站打开时提示“未检测到您服务器环境的sqlite3数据库扩展”,这意味着你的PHP环境缺少对SQLite3的支持。SQLite3是一个轻量级的数据库引擎,它作为PHP的一个扩展来提供支持。要解决这个问题,你可以按照以下步骤操作:1.检查PHP版本首先确认你的PHP版本支持SQLite3。SQLite3支......
  • 充电桩定期检测应用经验有哪些?
    充电桩是电动汽车的重要配套设施,其性能和安全直接影响到电动汽车的使用。因此,对充电桩进行定期检测是非常必要的。以下是一些充电桩定期检测的应用经验:定期巡检:充电桩应定期进行巡检,检查其外观是否完好,电缆是否有损伤,插头插座是否松动等。同时,还需要检查充电桩的运行状态,如电流......
  • 抓包工具检测手把手教学 - 某招聘网站
    大家好,我是南枫~~~先问大家一个问题,你们有没有遇到过想爬一个网站,想用老方法,直接右键打开抓包工具,此时,突然!整个页面都变得空白,什么数据都没有了的情况……如果你没遇到过那你去看看这个网站:https://talent.baidu.com/jobs/social-list?search=Python (百度招聘网站)打开......