使用YOLOv7做对比实验,需要重新部署一下YOLO环境,并将COCO格式数据集转换为YOLO格式
博主的COCO数据集是由WiderPerson数据集转换来的,并且做了一些处理。
Ubuntu18.0 CUDA11.2 NVIDIA T4
下载项目:
git clone https://gitcode.net/mirrors/WongKinYiu/yolov7.git
conda create -n python python=3.8
conda activate python
安装依赖:
pip install -r requirements.txt
YOLO的环境还是很好安装的。
# COCO 格式的数据集转化为 YOLO 格式的数据集
# --json_path 输入的json文件路径
# --save_path 保存的文件夹名字,默认为当前目录下的labels。
import os
import json
from tqdm import tqdm
import argparse
parser = argparse.ArgumentParser()
# 这里根据自己的json文件位置,换成自己的就行
parser.add_argument('--json_path',
default='/home/ubuntu/conda/data/annotations/instances_val2017.json', type=str,
help="input: coco format(json)")
# 这里设置.txt文件保存位置
parser.add_argument('--save_path', default='/home/ubuntu/conda/data/labels/val/', type=str,
help="specify where to save the output dir of labels")
arg = parser.parse_args()
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = box[0] + box[2] / 2.0
y = box[1] + box[3] / 2.0
w = box[2]
h = box[3]
# round函数确定(xmin, ymin, xmax, ymax)的小数位数
x = round(x * dw, 6)
w = round(w * dw, 6)
y = round(y * dh, 6)
h = round(h * dh, 6)
return (x, y, w, h)
if __name__ == '__main__':
json_file = arg.json_path # COCO Object Instance 类型的标注
ana_txt_save_path = arg.save_path # 保存的路径
data = json.load(open(json_file, 'r'))
if not os.path.exists(ana_txt_save_path):
os.makedirs(ana_txt_save_path)
id_map = {} # coco数据集的id不连续!重新映射一下再输出!
with open(os.path.join(ana_txt_save_path, 'classes.txt'), 'w') as f:
# 写入classes.txt
for i, category in enumerate(data['categories']):
f.write(f"{category['name']}\n")
id_map[category['id']] = i
# print(id_map)
# 这里需要根据自己的需要,更改写入图像相对路径的文件位置。
list_file = open(os.path.join(ana_txt_save_path, 'train2017.txt'), 'w')
for img in tqdm(data['images']):
filename = img["file_name"]
img_width = img["width"]
img_height = img["height"]
img_id = img["id"]
head, tail = os.path.splitext(filename)
ana_txt_name = head + ".txt" # 对应的txt名字,与jpg一致
f_txt = open(os.path.join(ana_txt_save_path, ana_txt_name), 'w')
for ann in data['annotations']:
if ann['image_id'] == img_id:
box = convert((img_width, img_height), ann["bbox"])
f_txt.write("%s %s %s %s %s\n" % (id_map[ann["category_id"]], box[0], box[1], box[2], box[3]))
f_txt.close()
# 将图片的相对路径写入train2017或val2017的路径
list_file.write('/home/ubuntu/conda/data/images/%s.jpg\n' % (head))
list_file.close()
生成的数据集是这样的,首先是train2017.txt,记录数据集地址
然后是每个图片文件的标注文件:
这时还需进行数据集的划分,因为此时我们自定义的数据集所有的图像都在同一个文件中,要按照train2017.txt与val2017.txt中文件划分好训练集与验证集
import shutil
import os
f = open("/home/ubuntu/conda/data/labels/val/val2017.txt")
dstpath="/home/ubuntu/conda/data/image/val/"
lines = f.readlines()
for line in lines:
line=line.replace("\n","")
fpath,fname=os.path.split(line)
print(fname)
shutil.copy(line, dstpath + fname)
f.close()
至此数据集处理工作完成了。
修改配置文件,首先是数据集文件的配置,由于我们初始时使用的是COCO数据集,那么我们这里就在/data/coco.ymal文件上直接修改了。
下面这三处都是要修改的,分别对应数据集地址,数据集类别数目以及数据集类别。
train: /home/ubuntu/conda/data/images/train/ # 118287 images
val: /home/ubuntu/conda/data/images/val/ # 5000 images
nc: 1
names: [ 'pedestrains', ]
parser = argparse.ArgumentParser()
parser.add_argument('--weights', type=str, default='/home/ubuntu/conda/yolov7/weights/yolov7_training.pt', help='initial weights path')
parser.add_argument('--cfg', type=str, default='/home/ubuntu/conda/yolov7/cfg/training/yolov7.yaml', help='model.yaml path')
parser.add_argument('--data', type=str, default='data/coco.yaml', help='data.yaml path')
parser.add_argument('--hyp', type=str, default='data/hyp.scratch.p5.yaml', help='hyperparameters path')
parser.add_argument('--epochs', type=int, default=200)
parser.add_argument('--batch-size', type=int, default=4, help='total batch size for all GPUs')
需要修改模型的配置文件,使用哪个模型的配置文件就用哪个,博主用的是/home/ubuntu/conda/yolov7/cfg/training/yolov7.yaml
,修改其类别数目。