YOLOv5训练自己的数据集之详细过程篇

软硬件配置：Ubuntu + Tesla m40 24GB + cuda10.2 + anaconda

一、环境部署

1、源码下载

https://github.com/ultralytics/yolov5

2、环境配置

创建虚拟环境

source create -n yolov5 python=3.7

激活虚拟环境

source activate yolov5

安装依赖库（cd到yolov5根目录requirements.txt下）

pip install -r requirements.txt

or 清华镜像源

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt

windows可能会出现以下错误：

ERROR: Could not find a version that satisfies the requirement torch>=1.6.0 (from -r requirements.txt (line 12)) (from versions: 0.1.2, 0.1.2.post1, 0.1.2.post2)
ERROR: No matching distribution found for torch>=1.6.0 (from -r requirements.txt (line 12))

原因是pytorch和torchvision的下载需要，我们需另外下载
附pytorch和torchvision网盘链接：
链接：https://pan.baidu.com/s/1Rm69ehzWaVAXmbXk4LND6w
提取码：sd3m
Ubuntu上一切很顺利，不知道pytorch的安装是不是和系统有关
还素比较简单滴，集成好的依赖库就是香啊

二、训练yolov5

1、准备数据集

数据存放位置和数据结构

（1）新建如上图所示的文件夹，文件名要一致
（2）在JPEGImages中存放原图（可不用，只是为了保证完整格式）
（3）在image中存放原图
（4）在Annotations中存放xml格式的标签文件，每个xml文件对应JPEGImages的一张图片
（5）在ImageSets的Main文件夹下存放train.txt、val.txt 、trainval.txt、test.txt。分别存放的是训练集、验证集、训练集加验证集、测试集的图片名称，只包含名称不包含后缀和路径。这四个文件需要使用脚本生成。

import os
import random
trainval_percent = 0.8 # 训练集和验证集所占比例，剩下的0.2是测试集比例
train_percent = 0.8 # 训练集所占比例
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
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('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/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()

trainval_percent = 0.8，train_percent = 0.8，可自己进行调整
（6）在labels中存放txt格式的标签信息，可用脚本读取Annotations生成txt

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets = ['train', 'test','val']
classes = ['corner']
def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    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('data/Annotations/%s.xml' % (image_id))
    out_file = open('data/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()
print(wd)
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write('data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

2、修改文件

（1）修改数据集方面的yaml文件
打开yolov5/data/coco.yaml
修改红框中的标签信息和蓝框中的路径

（2）修改网络参数方面的yaml文件
打开yolov5/models/yolov5l.yaml
yolov5s -> yolov5m -> yolov5l -> yolov5sx. 网络层数越深，宽度越宽

修改红框中的标签信息
也可以将anchor换成符合自己数据集的尺寸

（3）修改train中的一些参数
可自行调整红框中的参数和路径
（据自身体验，img_size = 640效果最好）

3、训练模型

python train.py

等待~~~~~
模型保存在yolov5/runs/exp/weights，保存有best.pt和last.pt

三、检测模型

1、将需要检测的图片放在一个文件夹，修改yolov5/detect.py

黄框：模型路径
绿框：测试图片路径
蓝框：结果保存路径

2、可修改yolov5/utils/datasets.py，读取test.txt的检测图片路径进行检测

将黄框替换成红框即可

----------------------------------------------end----------------------------------------------------------