如何制作和训练自己的数据集(YoloV5)

标注方法

1 自己获取的数据集,人工进行标注(全人工)
2 自己获取的数据集,首先使用训练好的网络标注一遍,然后手动进行微调(半人工)
3 仿真数据集(GAN网络来生成自己的数据集-- synthetic data)

标注工具

1 CVAT(需要安装)
2 makesense.ai(在线标注工具)

makesense.ai 标注过程

1 输入图片
如何制作和训练自己的数据集(YoloV5)_第1张图片

2 选择Object Detection
如何制作和训练自己的数据集(YoloV5)_第2张图片

3 创建自己的分类
4 根据自己的分类开始进行标注(标注的时候也可以使用action中的load models进行半人工标注)

5 导出文件(action-》export annotation-》yolo format)

文件组织过程

1 将images和labels分别放入对应的文件夹中
如何制作和训练自己的数据集(YoloV5)_第3张图片

2 参照coco.yaml, 写自己数据集的配置

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: mydata/images/train
val: mydata/images/train

# number of classes
nc: 3

# class names
names: [ 'person', 'car', 'bike' ]

3 修改train.py中的--data参数

parser.add_argument('--data', type=str, default='mydata/mydata.yaml', help='data.yaml path')

4 运行train.py开始训练
如何制作和训练自己的数据集(YoloV5)_第4张图片

5 使用detect测试自己训练的模型
修改detect 中的权重文件为自己训练的模型(一般问train当中最新的那个exp)

tips

1 pycharm左侧工程目录文件个数太多了会占用大量的资源(需要检索)
2 可以右键文件夹,在此处选择exclude, 则可以节省资源
如何制作和训练自己的数据集(YoloV5)_第5张图片

3 需要有路径的地方,只要路径正确, exclude的文件依然可以找到,知识在目录视图中找不到

你可能感兴趣的:(yolov5,深度学习,人工智能)