目标检测训练自己的数据集

#训练自己的数据集
一、准备数据集
1.准备数据集：先在网上查有没有已经标注的公共数据集，如COCO、VOC数据集，如果公共数据集中没有所需的类，则自己在网上找图片即可（图像尽可能保存为jpg格式），图像尽可能要求分辨率高，背景环境简单
2.数据集的标注：在目标检测中常用labelImg工具进行标注，工具下载地址：link
标注工具github界面如图所示：下载后解压，使用说明见下载文件中的readme.md

3.进入labelImg-master文件夹：

在空白处安装键盘的Shift键+鼠标右键，点击“在此处打开Powershell”（如果没有此选项，用cmd进入该目录即可），对于windows系统：在命令窗口输入命令：
pyrcc5 -o libs/resources.py resources.qrc
python labelImg.py
如下图所示（注意，PowerShell或cmd窗口不要关闭！）：

此时会出现labelImg的窗口，如下图所示，在Open Dir找到图片路径：

比如要检测香烟：按一下键盘上的w键，此时鼠标会变成+，对目标画矩形框，并在跳出来的窗口输入标签，如下图所示：

Ctrl+s对标签进行保存（不要更改标签文件名字），标签会以xml文件形式进行保存，标签文件内容如下图，按D可切换下一张：

以上步骤即为自作数据集的全过程，如果在使用labelImg工具标注时发现有鼠标有失控的现象，将工具重新打开即可。
二、训练：
2.1准备工作：
案例介绍的为YOLOv4目标检测，环境为pytorch,显卡为英伟达1650。
代码下载：link.代码相关问题可查看该博主的说明。
下载yolov4的权重文件：链接: link 提取码: q2iv。该权重文件也是上述博主云盘所提供的。将下载好的权重文件放在model_data文件下，同时在model_data下新建一个new_classes.txt文件，输入自己需要检测的类：


打开yolo.py文件，在class YOLO(object)中model_path:为加载的权重文件（前面提到的yolov4的权重文件），文件格式为pth，anchors_path为锚框文件路径，classes_path为检测的类文件路径。
运行predict.py，输入img下的测试图像:street.jpg。如果能显示出检测结果说明程序能正常运行，否则根据报错进行调整，一般错误有某个组件没下载或者版本问题，模型加载路径问题。
2.2 训练自己的数据集：

在VOCdevit/VOC2007下检查有没有上图文件，没有则自己创建Annotation文件用来存放xml标签文件，JPEGImages用来存放图像文件。
运行voc2yolo4.py，此时会在ImageSets/Main文件下生成每个训练图像的txt文件（txt文件中只有图像的名称，没有坐标信息和格式）。
打开voc_annotation.py，将classes中的类修改为自己标记的类名称，并运行，将xml转换为yolo4可读的txt文件，此时会生成2007_train.txt，2007_test.txt，2007_val.txt文件，打开2007_train.txt可看到每个图像的名称即坐标信息，如下图所示：

如果在txt文件中没有这些信息，说明转换有错误，再一步一步检查，如果检查标签文件以及Main文件下的txt文件没问题，可修改voc_annotation.py中in_file这一行的代码，代码修改如下：

打开train_with_tensorboard.py(需要安装tensorboardX),将下图中的classes_path修改为new_classes.txt:

其他训练参数可根据自身需求进行调整，训练后的模型会保存在logs文件中，训练完以后如果想继续训练，可修改model_path的权重路径为自己权重进行预训练。
在yolo.py中可修改model_path和classes_path为自己权重和类文件，然后再predict.py和video.py进行图像或视频检测。

Yolov4原理详解可参考：link