使用labelImg制作数据集并用于YOLOV5模型训练

LabelImg是图形图像注释工具。它是用Python编写的，并将Qt用于其图形界面。

目前LabelImg支持YOLO和PascalVOC2种格式，前者标签文件后缀是.txt件，而后者标签文件后缀是.xml件。YOLOv5算法所支持的数据格式为YOLO。图片和保存标签的文件名是对应的，只是扩展名不同(例如：00001.txt和00001.jpg)。标签保存在对应的labels文件夹下，与images中的图片文件名一一对应。

在这里补充下两个常用的制作标签数据集的工具labelImg和labelme的区别

labelimg是一种矩形标注工具，常用于目标识别和目标检测，其标记数据输出为.xml和.txt

labelme是一种多边形标注工具，可以准确的将轮廓标注出来，常用于分割，其标记输出格式为json

总之：labelImg和labelme都是训练数据集时，用于给数据集打标签的软件，但一个是矩形框，一个是可以标记不规则边缘，用于CV的不同领域。

本文主要使用labelImg制作自己的数据集并用于YOLOV5模型训练，给出YOLOV5下载地址：GitHub - ultralytics/yolov5: YOLOv5 in PyTorch > ONNX > CoreML > TFLite

1、labelImg的下载即安装：

方法一：labelImg的安装——Win10

Win10可以直接下载简易版exe文件，下载地址：https://github.com/tzutalin/labelImg/releases，选择windows_v1.8.1.zip，下载并解压，直接双击exe文件点开即用，下载后，发个快捷方式到桌面就可了

方法二：labelImg工具原github下载地址

mirrors / tzutalin / labelimg · GitCode

方法三：如何你安装了Anaconda环境，那么在Anaconda Prompt输入命令（作者就是这样的）：

pip install labelImg

等待下载完毕后再接着输入命令以下命令启动：

labelImg

启动后labelImg的界面：

​

 2、使用labelImg制作自己的数据集

先给出最终我们需要制作的yolo格式的数据集，如下：

​

 其中，images是存放图片的位置，labels是存放图片对应的标签，而yolo的标签是某个图片的类别及boundingbox的坐标及大小。labels文件夹下的标签就是需要使用labelImg生成，最后的buffaloLion.yaml是训练yolov5时的数据集配置文件，需要我们先创建，后面会说如何配置。

2.1切换至YOLO模式

​

2.2 打开数据集文件夹以及labels文件夹 

点击Open dir选择我们训练图片所在的文件夹images，选择之后会弹窗让你选择labels所在的文件夹。labels文件夹需要自己建立，名字随意，目的是用来存储图片标注后的信息。如果第二个弹窗没有弹出或者选错了，可以点击change save dir进行修改。以下是本文案例样式。

​

 执行上面两步的结果如下：

​

2.3 建立类名

​

2.4 开始标记

​

 常用快捷键：w,a,d

w—创建一个检测box，就是方框

a—前一张图片

d—下一张图片

Ctrl + s——保存结果，先前View中勾选了Auto Save mode后，只需框选，然后下一张，就能自动保存

框选错误可以通过EditRectBox来删除，选中错误框后，按delete

标记完成后，labelImg生成的标签放在labels文件夹下：

​

 生成的标签文件格式：class  x_center  y_center  width  height 。每行表示一个目标对象，每行中的第一个数表示目标类别，计数从0开始，比如这里的0代表的橘子。后面的4个值代表目标真实框中心点（x，y）和真实框的宽、高信息。生成的标签文件的内容如下：

打开某个标签txt文件：

​

 class.txt是标签的所有类别名称：​

 后面的图片及生成的标签类似上述操作，最终会在labels文件夹下生成所有images文件下图片对应的标签。

3、编辑数据集配置文件***.yaml

buffaloLion.yaml（名称自己取），是一个yolov5模型进行训练时加载的数据集配置文件，比如：yolov5模型从官网下载下来时，有coco.yaml文件等，如下：

​

因此，我们需要根据这些配置文件的信息，换成自己的数据集的配置文件，这样在使用yolo模型训练时它才会知道如何加载我们自己的数据集。 

自行创建一个yaml文件，文件的内容如下：

#path为自己数据集的文件夹名称，要根据的数据集放置自己项目路径下的哪个位置进行更改
path: ./mydata
#train是训练时加载的图片或者标签的路径
train: images/train
#val是验证时加载的图片或者标签的路径
val: images/train
#test是测试时加载的图片或者标签的路径
test: images/test
# 类别数
nc: 2
# 类别名称
names: ['buffalo','lion']

其中需要自己修改的内容为：

train与val后的地址，地址均指向训练图集的文件夹。以及names后的内容，nc类别数。

提示：train与val文件夹下的图片和标签需要自己进行划分哦。记得图片和标签要对应上。

注意 label不用配置：train.py在训练过程中，会将路径中的images替换为 labels来寻找labels数据

至此训练模型的数据就准备好了。

 4、 编辑models模型配置xxx.yaml文件

在yolov5项目下进入models/目录，可以看到有四个模型配置的yaml文件：

​

 表示训练时，你选中的yolov5的模型结构，这里根据自己的需求选择其中一个的模型，并将模型的配置文件yaml进行修改。

 这些Model的yaml文件中都是模型网络相关配置参数，例如nc下面的depth_multiple是指网络的深度，width_multiple是网络的宽度， anchors是锚标（标出物体的方框），backbone既骨干网络。

我在这里选择了yolov5s.yaml文件进行复制一份，并修改了里面模型的nc（类别参数）为2（这里要和你提前训练时设定的类别数一直），以下为我自己编辑的模型配置文件部分截图：

​

并将文件重命名，自行将他放在一个位置处，我这为了方便，直接放在之前制作的数据集下的目录里，如下：

​

 后面进行训练的时候，就需要记住这些你制作的配置文件的位置。

5、开始训练

前期的数据集自己制作好后，并自行划分训练集、验证集，以及创建了数据集配置文件和模型配置文件后，就可以在项目路径里的终端下执行下面的命令，开始训练了：

python train.py  --data mydata/buffaloLion.yaml --weights yolov5s.pt --epoch 50 --batch-size 32 --cfg mydata/yolov5s_my.yaml

这里需要注意的是，终端的路径要执行到train.py文件的目录下，后面的几个参数，如 --data就是自己数据集的配置文件，--weights是你自己是否需要预训练模型（可以提前下载好），--epoch 50是迭代的次数， --cfg为模型的配置文件，

训练过程：​

 这里再补充下train.py文件里的常用参数及解释：

weights：权重文件路径，如果是’'则重头训练参数，如果不为空则做迁移学习，权重文件的模型需与cfg参数中的模型对应

epochs：指的就是训练过程中整个数据集将被迭代多少次

batch-size：每次梯度更新的批量数，指一次看完多少张图片才进行权重更新

config-thres: 模型目标检测的置信度阈值

cfg：存储模型结构的配置文件

data：存储训练、测试数据的文件

img-size：输入图片的宽高

rect：进行矩形训练

resume：恢复最近保存的模型开始训练

nosave：仅保存最终checkpoint

notest：仅测试最后的epoch

evolve：进化超参数

cache-images：缓存图像以加快训练速度

name： 重命名results.txt to results_name.txt

device：cuda device, i.e. 0 or 0,1,2,3 or cpu

adam：使用adam优化

multi-scale：多尺度训练，img-size +/- 50%

single-cls：单类别的训练集

6、训练结果查看

通过最后log可以看到训练好的模型的权重保存在了runs/train/exp（次数）/weights/last.pt和best.pt

其中还包括了PR Curve 曲线、Confusion matric （混淆矩阵）、results.png/txt 等训练过程数据，如下：

7、训练过程中的可视化：

我们可以在模型训练过程时，查看模型权重、损失、精确度、网络结构等的可视化，这里需要使用tensorboard工具进行可视化（需要提前安装）

在项目根路径执行：tensorboard --logdir runs\train

并浏览器打开http://localhost:6006/

 

8. 测试训练后的模型：

同样使用detect.py，weights使用新训练后的best.pt，测试图片可以拍一个新照片，或者找一个之前没有用到的图片，执行以下命令：

python detect.py --weights runs/train/exp/weights/best.pt --source data/test/Tc400_137.jpg

注意，上面的一些参数要换成自己的，如测试图片的路径，权重的路径等

最后，到run文件夹下查看测试结果。

以上就是使用labelImg工具自己制作数据集，并用于yolov5来训练模型的操作步骤。只是演示，谈不上训练模型的精度和效果，如要要基于某个任务，使用yolo模型进行改进，那么还需要更多的研究工作，如数据集的大小、数据增强、网络结构的调整、超参数的设置等。