使用YOLOv3(YOLOv3-tiny)训练自己的数据(1)

数据准备

 

图像xml+txt数据集的制作:

 

参考:

https://blog.csdn.net/Patrick_Lxc/article/details/80615433

中的test.py与voc_annotation.py

https://blog.csdn.net/lilai619/article/details/79695109

中的voc_label.py

 

文件夹安排:

- data

- - Annotations
- - Images
- - labels(存放坐标的txt文件)

- - xml(存放坐标的xml文件)
- - .names
- - 2007_train.txt
- - 2007_test.txt

- - ImageSets

- - -Main

- - - - train.txt
- - - - test.txt

- - - -  trainval.txt
- - - -  val.txt

 

1、

从链接中下载exe文件,对图像进行Label。得到xml文件。

注意:

exe文件的路径不要有中文,否则无法打开exe文件。

 

2、运行test.py文件

 

import os
import random

trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'Annotations/xml'
txtsavepath = 'ImageSets\Main'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()
--------------------- 
作者:Patrick_Lxc 
来源:CSDN 
原文:https://blog.csdn.net/Patrick_Lxc/article/details/80615433 
版权声明:本文为博主原创文章,转载请附上博文链接!

在ImageSets/Main中得到以下四个文件,文件内容是图像的文件名

使用YOLOv3(YOLOv3-tiny)训练自己的数据(1)_第1张图片

 

3、运行voc_annotation.py文件得到训练集、测试集、验证集的图片路径

按照需要修改classes = [  ]的内容、修改in_file,image_ids,list_file.write的路径

得到:

文件内容是图片的路径:

使用YOLOv3(YOLOv3-tiny)训练自己的数据(1)_第2张图片

 

4、使用voc_label.py将Annotations文件夹下的xml文件转化为labels文件夹下的txt格式

可以参考以下代码:

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')]

classes = ["tower", "tree"]

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,h)

def convert_annotation(image_id):
    in_file = open('Annotations/%s.xml'%(image_id))
    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))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()

for year, 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_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('JPEGImages/%s.jpg\n'%(image_id))
        convert_annotation(image_id)
    list_file.close()

# os.system("cat 2007_train.txt 2007_val.txt 2012_train.txt 2012_val.txt > train.txt")
# os.system("cat 2007_train.txt 2007_val.txt 2007_test.txt 2012_train.txt 2012_val.txt > train.all.txt")

运行结果如下:

xml文件

使用YOLOv3(YOLOv3-tiny)训练自己的数据(1)_第3张图片

转化为txt文件:

使用YOLOv3(YOLOv3-tiny)训练自己的数据(1)_第4张图片

 

5、修改文件参数

修改data/voc.names 为自己的类别

修改cfg/voc.data 中classes train valid 等信息

修改yolov3-tiny.cfg文件

你可能感兴趣的:(YOLO)