YOLO Air使用,训练自己的数据集

一、下载

https://github.com/iscyy/yoloair.git

二 、安装

pip install -r requirements.txt

三、使用

1、标注自己的数据集

YOLO Air使用,训练自己的数据集_第1张图片
保存到如下格式

2、数据集划分

在date文件下建立如下文件夹
主要是以下几个

YOLO Air使用,训练自己的数据集_第2张图片
以下是当前文件夹中的目录
YOLO Air使用,训练自己的数据集_第3张图片
此时将photo里面的所有照片复制到Images里面

3在根目录下新建以下2个py文件
在这里插入图片描述

在这里插入图片描述

其中make_txt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()

voc_label.py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 = ['tomato']
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()

先运行make_txt.py,再运行voc_label.py
得到
在这里插入图片描述
data 文件下如下三个
在这里插入图片描述

四、修改配置文件

data里面的coco.yaml复制一份,自己重新命名your.yaml
更改成这样的
YOLO Air使用,训练自己的数据集_第4张图片
注意这五个数一定都得该

2、找到configs下的
YOLO Air使用,训练自己的数据集_第5张图片
如果是你yolo v5s就复制一份s的,其他类似,重新命名为你自己的yourclass.yaml
修改里面的第一行这个参数
在这里插入图片描述

3、找到根目录下的train.py文件

注意修改一下几个参数,就能直接运行了
YOLO Air使用,训练自己的数据集_第6张图片

4、实验结果

在这里插入图片描述
在runs\train\exp5进行查看

你可能感兴趣的:(目标检测,python,深度学习,开发语言)