YOLOv6训练自己的数据集

目录

第一步：推理

 第二步：训练

1.数据集制作

 2.模型训练

---

YOLOv6 是美团视觉智能部研发的一款目标检测框架，致力于工业应用。本框架同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中：YOLOv6-nano 在 COCO 上精度可达 35.0% AP，在 T4 上推理速度可达 1242 FPS；YOLOv6-s 在 COCO 上精度可达 43.1% AP，在 T4 上推理速度可达 520 FPS。在部署方面，YOLOv6 支持 GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN）等不同平台的部署，极大地简化工程部署时的适配工作。

目前，项目已开源至Github，

代码地址：https://github.com/meituan/YOLOv6 

第一步：推理

项目下载：

YOLOv6简介: https://tech.meituan.com/2022/06/23/yolov6-a-fast-and-accurate-target-detection-framework-is-opening-source.html

COCO数据集预训练权重下载：

 下载好YOLOv6项目后，在主目录下新建一个weights文件夹，将下载好的权重放置在里面，然后修改放置在yolov6\core目录下的检测infer.py文件,进行图片/视频检测。

 要检测推理的图片放置在data文件夹下，检测推理完之后

 检测结果如下所示：

 第二步：训练

训练YOLOv6步骤和训练YOLOv5步骤差不多一样，只要数据集格式是YOLOv5格式一样就可以了。

1.数据集制作

第一步：使用labelme或者Makesense.ai标签标注工具,对自己的数据集进行标注，之前发过这两个标签工具的使用方式：

制作自己的训练数据集之图像标注工具labelimg和labelme

借助AI模型目标检测打标签工具 ：Makesense.ai , 解放双手 ! ! !

注意：

• 使用LabelmeToYolov6.py文件将使用labelme文件标注的标签json格式转换为YOLO格式，并分为train、val、test数据集。

• 使用Makesense.ai标签工具不需要转换可以直接生成YOLO格式的标签数据,无需进行标签格式转换，但是需要再次读取数据，重新划分train、val、test，否则只有一个包含全部图片和标签的的数据集。

  使用LabelmeToYolov6.py文件可以将使用labelme文件标注的标签.json格式

  转换为YOLO格式的标签。

• import os
  import numpy as np
  import json
  from glob import glob
  import cv2
  from sklearn.model_selection import train_test_split
  from os import getcwd
   
  classes = ["aircraft", "oiltank"]
  # 1.标签路径
  labelme_path = "LabelmeData/"
  isUseTest = True  # 是否创建test集
  # 3.获取待处理文件
  files = glob(labelme_path + "*.json")
  files = [i.replace("\\", "/").split("/")[-1].split(".json")[0] for i in files]
  print(files)
  if isUseTest:
      trainval_files, test_files = train_test_split(files, test_size=0.1, random_state=55)
  else:
      trainval_files = files
  # split
  train_files, val_files = train_test_split(trainval_files, test_size=0.1, random_state=55)
   
   
  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)
   
   
  wd = getcwd()
  print(wd)
   
   
  def ChangeToYolo6(files, txt_Name):
      if not os.path.exists('tmp/'):
          os.makedirs('tmp/')
      list_file = open('tmp/%s.txt' % (txt_Name), 'w')
      for json_file_ in files:
          json_filename = labelme_path + json_file_ + ".json"
          imagePath = labelme_path + json_file_ + ".jpg"
          list_file.write('%s/%s\n' % (wd, imagePath))
          out_file = open('%s/%s.txt' % (labelme_path, json_file_), 'w')
          json_file = json.load(open(json_filename, "r", encoding="utf-8"))
          height, width, channels = cv2.imread(labelme_path + json_file_ + ".jpg").shape
          for multi in json_file["shapes"]:
              points = np.array(multi["points"])
              xmin = min(points[:, 0]) if min(points[:, 0]) > 0 else 0
              xmax = max(points[:, 0]) if max(points[:, 0]) > 0 else 0
              ymin = min(points[:, 1]) if min(points[:, 1]) > 0 else 0
              ymax = max(points[:, 1]) if max(points[:, 1]) > 0 else 0
              label = multi["label"]
              if xmax <= xmin:
                  pass
              elif ymax <= ymin:
                  pass
              else:
                  cls_id = classes.index(label)
                  b = (float(xmin), float(xmax), float(ymin), float(ymax))
                  bb = convert((width, height), b)
                  out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
                  print(json_filename, xmin, ymin, xmax, ymax, cls_id)
   
   
  ChangeToYolo6(train_files, "train")
  ChangeToYolo6(val_files, "val")
  ChangeToYolo6(test_files, "test")
  '''
  file1 = open("tmp/train.txt", "r")
  file2 = open("tmp/val.txt", "r")
  file_list1 = file1.readlines()  # 将所有变量读入列表file_list1
  file_list2 = file2.readlines()  # 将所有变量读入列表file_list2
  file3 = open("tmp/trainval.txt", "w")
  for line in file_list1:
      print(line)
      file3.write(line)
  for line in file_list2:
      print(line)
      file3.write(line)
  '''

  第二步：创建images，labels文件分别用于存放图像和.txt格式的的标签标注文件，再分别在images和labels文件夹下创建train和val两个子文件夹分别存放训练集和验证集的图片和标签。

labels文件夹下存放的是train和val的图像标签文件。

 2.模型训练

第三步：在data/中添加一个和coco.yaml格式类似的widerface.yaml的配置文件，如下图所示，nc改为1，name改为"face"，train和val为yolo格式的数据集的路径地址。

 第四步：打开tools\train.py文件，配置一下训练参数，选择一下自己想要基于YOLOv6的那个版本(yolov6s、yolov6....)上开始训练。

 第五步：配置成功之后，就可以点击右键yolov6\core\train.py文件运行,开始训练模型。