YOLOv7——训练自己的数据集

论文地址：https://arxiv.org/abs/2207.02696

源码地址：https://github.com/WongKinYiu/yolov7

下载好代码包，解压后配置环境，在终端直接下载requirements.txt的代码就好

（本人环境：torch 1.8.0，当然有一些tensorboard、wandb等工具包需要自己下载啦~）

pip install -r requirements.txt

wandb安装教程看这个：wandb使用_ai-ai360的博客-CSDN博客_wandb使用

输入后就是以下情况（我的环境名称叫做yolov5，这个忽视掉....）

一、数据集准备

本人数据集是自己标注的VOC格式的建筑裂缝目标检测数据集，以此为例。

（✔文件中的内容需要自己提前准备好的， ImageSets - Main、labels、yolo_path是需要自己创建的空文件夹，文件里的内容后续代码生成。）

文件分别为：✔Annotations（.xml格式标注标签）

                      ImageSets - Main（存放训练集、测试集等划分.txt格式文件）

                      ✔JPEGImages（.jpg格式图像）

                      labels（转化为yolo可使用的.txt格式标注标签）

                      yolo_path（训练集、测试集等.txt格式路径）

 划分数据集（split_data.py）

 split_data.py是用来划分训练集、验证集的代码，需要放在和Annotations、ImageSets的同级目录下，运行后生成的 ImageSets - Main下的test.txt、train.txt等内容。（就是抽取的图像的名称而已，我是按照0-1899的数字命名的，所以就是这些数字）

 split_data.py

# coding:utf-8

import os
import random
import argparse

parser = argparse.ArgumentParser()
parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')
parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path')
opt = parser.parse_args()

trainval_percent = 0.9  # 训练集和验证集所占比例
train_percent = 0.9     # 训练集所占比例
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
    os.makedirs(txtsavepath)

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

file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')

for i in list_index:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        file_trainval.write(name)
        if i in train:
            file_train.write(name)
        else:
            file_val.write(name)
    else:
        file_test.write(name)

file_trainval.close()
file_train.close()
file_val.close()
file_test.close()

 生成labels标签和图像路径（xml_yolo.py）

xml_yolo.py是用来生成labels标签和yolo图像路径的

labels下是每个图像标注的内容（0是我只有裂缝一个类别，后面四个是坐标）

 yolo_path下面是各个训练集、测试集图像对应的全局路径

xml_yolo.py

其中27、28、57、58、59、61、62、64、66要根据自己的全局路径改一下（注意/和\）

# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ["crack"]
abs_path = os.getcwd()
print(abs_path)


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('G:/yolov7-main/VOCdevkit/VOC2007/Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('G:/yolov7-main/VOCdevkit/VOC2007/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
        # 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))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


wd = getcwd()
for image_set in sets:
    if not os.path.exists('G:/yolov7-main/VOCdevkit/VOC2007/labels/'):
        os.makedirs('G:/yolov7-main/VOCdevkit/VOC2007/labels/')
    image_ids = open('G:/yolov7-main/VOCdevkit/VOC2007/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()

    if not os.path.exists('G:/yolov7-main/VOCdevkit/VOC2007/yolo_path/'):
        os.makedirs('G:/yolov7-main/VOCdevkit/VOC2007/yolo_path/')

    list_file = open('yolo_path/%s.txt' % (image_set), 'w') # 相对路径
    for image_id in image_ids:
        list_file.write('G:/yolov7-main/VOCdevkit/VOC2007/JPEGImages/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

由于我的图像数据集名称‘JPEGImages’，和以往yolo系列‘imgaes’名称有区别，因此要在utils文件下的datasets.py中的第349行进行更改，将‘imgaes’更改为‘JPEGImages’（如果本来就是images的话就没必要改了）

如果找不到的话，就ctrl+f，搜一下images，一个个看就能定位到了

至此数据集方面就完成啦，接下来就是配置文件啦。

二、配置文件

自己数据集的配置文件

在data目录下新建一个.yaml格式文件（本文crack_data.yaml），文件内容就是训练集、验证集的全局路径（注意train:后需要空格），以及数据集包含的种类数量、类别的名称。（我就一个裂缝）

train: G:/yolov7-main/VOCdevkit/VOC2007/yolo_path/train.txt # 训练集路径文件
val: G:/yolov7-main/VOCdevkit/VOC2007/yolo_path/val.txt # 验证集集路径文件
nc: 1 # 种类
names: ['crack'] # 类别名称

训练需更改的配置

 更改cfg文件中training文件夹下的yolov7.yaml中的nc量，就是根据自己数据集所包含类别数量改

（如果没有对yolov7的网络结构做其他更改，此yaml文件就不做其他更改）

参数更改

这一步可以在train.py下直接更改好，也可以在终端输入运行命令的时候再补充，这里就是提前先改好。红色的是需要根据上面配置的路径进行更改，蓝色的根据自己电脑配置更改

 三、训练

本人在训练的时候遇到很多问题，代码始终跑不通，没有直接跑train.py程序，而是在终端运行，但是直接使用python train.py会报错，综合网上的信息最保险的运行代码（因为啥我倒是没搞明白）

python train.py --weights 'yolov7.pt'

然后就可以训练自己的数据集了

PS

由于本人的电脑的gpu是1050，不够给力，待遇到其他报错问题会对本文章进行补充

希望大家根据本文章可以使用yolov7训练自己的数据集哦~