基于YOLOv5的血细胞识别和计数

VOC格式标注转为yolov5格式

• 原数据格式是xml文件对目标细胞注释，现在需要将这种注释转换为yolov5所需的格式。即每个图像对应一个txt文件，文件中存储该图像中全部细胞的类别和坐标，一行存储一个细胞的信息，如下图
  
• 编写脚本进行注释格式转换

#获取在SSD项目中生成的csv格式的标注数据
with open("test_labels.csv", "r") as fp:
    data = []
    lines = fp.readlines()[1:]
    for line in lines:
        data.append(line.rstrip().split(","))

txt = ""
#遍历全部数据重新写入到txt文件
for line in data:
    title = line[0][:-3] + "txt"
    with open("./valid/labels/" + title, "a", encoding="utf-8") as f:
        map_cls_name = {"WBC":"2", "RBC":"1", "Platelets":"0"}
        cls = map_cls_name[line[3]]
        x_min = float(line[4])
        y_min = float(line[5])
        x_max = float(line[6])
        y_max = float(line[7])
        x = str((x_max+x_min)/2.0/640.0)
        y = str((y_max+y_min)/2.0/480.0)
        w = str((x_max-x_min)/640.0)
        h = str((y_max-y_min)/480.0)
        content_ = [cls, x, y, w, h]
        content = " ".join(content_)
        f.write(content+"\n")
        print(title + "  " + content)

• 转换结果
  

在数据集路径创建数据配置文件

• 在项目平级路径下创建数据集存储路径，路径内创建训练集，验证集路径和配置文件data.yaml
  
• train和valid内分别创建图像数据路径和标注文件路径
  
• images内存储图像数据，labels存储标注数据，文件名称对应相同
• 设置数据集配置文件如下图
• train 指定训练集图像路径
• val 指定验证集图像路径
• nc 指定目标类别数量 这里为血小板，红细胞，白细胞共3种
• 目标对应类别名称
  

训练模型

• 配置项目路径内的train.py的相关参数
• 配置参数
• 指定模型文件和数据配置文件
  
• 指定训练轮数，批量大小和输入图像分辨率
  
  运行train.py
  
• 训练结束
  
  结果显示，训练300轮此=次共耗时2.05h
  生成的参数大小为14.8MB
  总损失值降低到0.1314
  在46张验证图象上共689个细胞，检测准确率为0.751，召回率高达0.96，IOU阈值为0.5时mAP高达0.947， IOU在0.5-0.95时，平均mAP为0.636
• 训练结果可视化
  
  
  

进行细胞检测

• 指定训练好的权值文件，检测数据路径，检测结果输出路径
  

• 指定置信度阈值和IOU阈值
  

• 更改图形绘制方法
  将检测结果全部保存
  

• 计算全部检测图像种预测出的各种细胞数量（最后评估计数效果用）
  

• 计算全部检测图像的真实标注细胞数量（最后评估计数效果用）
  

• 根据检测结果在原图上绘制标注框且打印计数信息保存到输出路径
  

• 待检测图像
  

• 检测结果