yolov5训练自己的数据集，详细教程！

yolov5系列文章目录

yolov5 win10 CPU与GPU环境搭建,亲测有效！
爬取百度图片Python脚本
yolov5训练自己的数据集，详细教程！
yolov5转tensorrt模型

---

---

前言

前一篇文章已经交代了yolov5的安装步骤，这篇文章来讲述一下训练自己的数据集的过程。
公司项目：轮船黑烟检测，现在基本做完了特此来记录一下。

---

一、数据集的制作

制作数据集是一个繁琐且枯燥的过程，这里需要使用LabelImg工具，具体步骤就不展开了，但是大家标注具体类别的时候一定要细心，因为这会决定你的预测结果。
尽量标注最小矩形框！！！
我用到的是自己收集和标注的黑烟数据集，大概7000张。

二、配置文件

1.创建文件

在data下创建如下几个文件夹（注意： images内为数据集原始图片，Annotations内为标注的xml文件）
并将images内文件复制到JPEGIamges中。

根目录下创建 make_txt.py 文件，代码如下：

import os
import random
trainval_percent = 0.1
train_percent = 0.9
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()

根目录下继续创建 voc_label.py 文件，代码如下：

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 = ['darksmoke']
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()

在这里要注意： 我这里的 classes = [‘darksmoke’] 仅代表我的数据集需要标注的类别是darksmoke类，单引号的内容需要根据你的数据集确定，有几类就写几类。

修改之后，依次执行上面两个py文件，执行成功是这样的：
（1） labels下生成txt文件（显示数据集的具体标注数据）

（2） ImageSets下生成四个txt文件

（3） data下生成三个txt文件（带有图片的路径）

2 .修改yaml文件

这里的yaml和以往的cfg文件是差不多的，但需要配置一份属于自己数据集的yaml文件。
复制data目录下的coco.yaml，我这里命名为darksmoke.yaml
主要修改三个地方：

a. 修改train,val,test的路径为自己刚刚生成的路径
b. nc 里的数字代表数据集的类别，我这里只有darksmoke一类，所以修改为1
c. names 里为自己数据集标注的类名称，我这里是darksmoke

3.修改models模型文件

models下有四个模型，smlx需要训练的时间依次增加，按照需求选择一个文件进行修改即可

因为是工程项目，这里修改了yolov5x.yaml，确保有效性，只需要将nc的类别修改为自己需要的即可，我这里是一类所以为1。

4.训练train.py

这里需要对train.py文件内的参数进行修改，按照我们的计算机配置修改即可，以下是按照公司显卡2080TI来配置的。

weights，cfd，data按照自己所需文件的路径修改即可
epochs迭代次数自己决定，我这里仅用300次进行测试
batch-size过高可能会影响电脑运行速度，还是要根据自己电脑硬件条件决定增加还是减少
修改完成，运行即可！

5.可能遇到的错误

1.训练时总是提醒out of memory

解决尝试：
1.把batchsize调小
2.如果batchsize设置为1了跑不起来，在train.py文件开头加上（我遇到的问题）

import os
os.environ['CUDA_VISIBLE_DEVICES']='0'

6.测试detect.py

当train.py跑完时，会在runs\train\exp**\weights下生成最好与最新的pt权重文件。

可以去detect.py下修改参数，也可以直接运行这一行代码

python detect.py --weights runs/train/exp3/weights/best.pt --source data/Samples/ --device 0 --save-txt

source data/Samples/ 代表的是需要预测的图片路径，根据自己情况修改即可

运行结果：（结果图片会在runs\detect\exp文件夹中生成）

淡淡的黑烟也能检测出：

总结

yolov5效果很强大，也很容易上手！！！学了yolov5就不想再用mask了。。。
数据集有需要记得留言呀！！！
如果阅读本文对你有用，欢迎关注点赞评论收藏呀！！！
2021年1月16日14:50:31

参考链接