labelImg数据标注及yolov5的训练和测试
labelImg数据标注及yolov5的训练和测试
一、labelImg数据标注的使用
数据标注主要针对于哪个地方是什么，一般像隐私类的是不能标注的，如鲁迅的故居可以标，但是张三的住所就不能进行标注。
labelImg是数据标注主要使用的工具。
1、首先使用python labelImg.py打开labelImg标注工具。
2、你可以打开labelImg目录下的data目录，目录下predefined_classes.txt可以定义预测的类别。
3、定义类别后，打开点击目录。
4、打开目录后，右边点击图像。
5、在中心有图片，可以选中左侧的“创建区块”标注图片中的类别。如下图。
接下来可以在图形中框出图片的分类区域。框选后出现类别的选框，如下图框选足球后出现的选框。
点击合适的分类后，OK即可。
OK点击后，需要保留框架的相关标注，按ctrl+S，保存后是xml文件格式。
点击保存后，在文件夹下产生一个与图片同名的xml文件。如下图。
打开xml文件后，可以看到图片的标注信息。
可以看到object识别，有坐标，有分类。
二、构建yolo5的项目步骤
直接拉取git clone https://github.com/ultralytics/yolov5.git
这时可以配置免验证。git config --global http.sslVerify "false"把项目中的ssl验证设置成false
然后git clone拉取yolo5模型文件
git clone https://github.com/ultralytics/yolov5.git
如果Timeout错误，就多次git，git网站的连接有问题，如下图所示。
拉取git 成功后，会在当前目录下产生require.txt文件，通过conda来安装require.txt文件。
conda install --yes --file requirements.txt
通过pip3 install 安装项目所需要的相关模块。
pip3 install -r requirements.txt
安装结束后可以自定义标签
新建一个VOCdevkit目录，下面有VOC2017文件夹，在VOC2017下两个文件夹。
Annotation标签，和JPEGImages图片文件，如下图所示。
Annotation目录下的标签文件。
JPEGImage标签下的文件如下图：
注意，图片需要等大，再则训练集中的数据容易识别，不然工作量很大。
xml文件中的坐标需要转换成YOLO格式的txt标记，如下图所示。
具体计算方法如下。
注意xml中width和height就是图片的总宽度和总高度。
通过该计算方法得到xml文件中的坐标需要转换成YOLO格式的txt标记的代码。
了解xml转换成YOLO格式txt标记后，生成训练集和验证集文件。
注意，目录结构可以建一个YOLO5目录，在YOLO5目录下有preparedata.py的py文件，同时也有一个目录VOCdevkit，然后执行python preparedata.py，就会在这样的目录下生成测试集和验证集。
.yolov5train.txt和yolov5val.txt分别给出了训练图片文件和测试图片文件的列表，含有每个图片的路径和文件名。
在data目录下，有一个voc.yaml中修改成voc-ball.yaml，其修改内容如下，此处可以删除下面的内容。
在models目录下建立yolov5s-ball.yaml，也可以把yolov5s.yaml改名为yolov5s-ball.yaml。其内容如下。
注意原yolov5s.yaml下面的内容不能删除。在训练时需要先验窗口。
修改后训练模型
注意执行训练模型前的路径：
还要注意在yolov5的文件夹下有一个weights目录，其下有一个权重文件yolo5s.pt,如下图。
接下来执行yolo5模型的训练。
训练过程可视化：
训练过程可以通过另起一个anaconda窗口，在yolov5目录下执行。
显示出tenrowborad的模板如下图。
其会训练50次，每次训练终端如图所示。
Tensorboard图形会有曲线表示。
训练后测试图片。
训练后测试视频：
