YOLOv7——训练自己的数据集

论文地址：https://arxiv.org/abs/2207.02696

源码地址：https://github.com/WongKinYiu/yolov7

下载好代码包，解压后配置环境，在终端直接下载requirements.txt的代码就好

（本人环境：torch 1.8.0，当然有一些tensorboard、wandb等工具包需要自己下载啦~）

pip install -r requirements.txt

输入后就是以下情况（我的环境名称叫做yolov5，这个忽视掉....）

一、数据集准备

本人数据集是自己标注的VOC格式的建筑裂缝目标检测数据集，以此为例。

（✔文件中的内容需要自己提前准备好的， ImageSets - Main、labels、yolo_path是需要自己创建的空文件夹，文件里的内容后续代码生成。）

文件分别为：✔Annotations（.xml格式标注标签）

                      ImageSets - Main（存放训练集、测试集等划分.txt格式文件）

                      ✔JPEGImages（.jpg格式图像）

                      labels（转化为yolo可使用的.txt格式标注标签）

                      yolo_path（训练集、测试集等.txt格式路径）

 划分数据集（split_data.py）

 split_data.py是用来划分训练集、验证集的代码，需要放在和Annotations、ImageSets的同级目录下，运行后生成的 ImageSets - Main下的test.txt、train.txt等内容。（就是抽取的图像的名称而已，我是按照0-1899的数字命名的，所以就是这些数字）

 split_data.py

1.  
   # coding:utf-8
2.  
    
3.  
   import os
4.  
   import random
5.  
   import argparse
6.  
    
7.  
   parser = argparse.ArgumentParser()
8.  
   parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')
9.  
   parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path')
10.  
    opt = parser.parse_args()
11.  
     
12.  
    trainval_percent = 0.9 # 训练集和验证集所占比例
13.  
    train_percent = 0.9 # 训练集所占比例
14.  
    xmlfilepath = opt.xml_path
15.  
    txtsavepath = opt.txt_path
16.  
    total_xml = os.listdir(xmlfilepath)
17.  
    if not os.path.exists(txtsavepath):
18.  
    os.makedirs(txtsavepath)
19.  
     
20.  
    num = len(total_xml)
21.  
    list_index = range(num)
22.  
    tv = int(num * trainval_percent)
23.  
    tr = int(tv * train_percent)
24.  
    trainval = random.sample(list_index, tv)
25.  
    train = random.sample(trainval, tr)
26.  
     
27.  
    file_trainval = open(txtsavepath '/trainval.txt', 'w')
28.  
    file_test = open(txtsavepath '/test.txt', 'w')
29.  
    file_train = open(txtsavepath '/train.txt', 'w')
30.  
    file_val = open(txtsavepath '/val.txt', 'w')
31.  
     
32.  
    for i in list_index:
33.  
    name = total_xml[i][:-4] '\n'
34.  
    if i in trainval:
35.  
    file_trainval.write(name)
36.  
    if i in train:
37.  
    file_train.write(name)
38.  
    else:
39.  
    file_val.write(name)
40.  
    else:
41.  
    file_test.write(name)
42.  
     
43.  
    file_trainval.close()
44.  
    file_train.close()
45.  
    file_val.close()
46.  
    file_test.close()

 生成labels标签和图像路径（xml_yolo.py）

xml_yolo.py是用来生成labels标签和yolo图像路径的

labels下是每个图像标注的内容（0是我只有裂缝一个类别，后面四个是坐标）

 yolo_path下面是各个训练集、测试集图像对应的全局路径

xml_yolo.py

其中27、28、57、58、59、61、62、64、66要根据自己的全局路径改一下（注意/和\）

1.  
   # -*- coding: utf-8 -*-
2.  
   import xml.etree.ElementTree as ET
3.  
   import os
4.  
   from os import getcwd
5.  
    
6.  
   sets = ['train', 'val', 'test']
7.  
   classes = ["crack"]
8.  
   abs_path = os.getcwd()
9.  
   print(abs_path)
10.  
     
11.  
     
12.  
    def convert(size, box):
13.  
    dw = 1. / (size[0])
14.  
    dh = 1. / (size[1])
15.  
    x = (box[0] box[1]) / 2.0 - 1
16.  
    y = (box[2] box[3]) / 2.0 - 1
17.  
    w = box[1] - box[0]
18.  
    h = box[3] - box[2]
19.  
    x = x * dw
20.  
    w = w * dw
21.  
    y = y * dh
22.  
    h = h * dh
23.  
    return x, y, w, h
24.  
     
25.  
     
26.  
    def convert_annotation(image_id):
27.  
    in_file = open('G:/yolov7-main/VOCdevkit/VOC2007/Annotations/%s.xml' % (image_id), encoding='UTF-8')
28.  
    out_file = open('G:/yolov7-main/VOCdevkit/VOC2007/labels/%s.txt' % (image_id), 'w')
29.  
    tree = ET.parse(in_file)
30.  
    root = tree.getroot()
31.  
    size = root.find('size')
32.  
    w = int(size.find('width').text)
33.  
    h = int(size.find('height').text)
34.  
    for obj in root.iter('object'):
35.  
    difficult = obj.find('difficult').text
36.  
    # difficult = obj.find('Difficult').text
37.  
    cls = obj.find('name').text
38.  
    if cls not in classes or int(difficult) == 1:
39.  
    continue
40.  
    cls_id = classes.index(cls)
41.  
    xmlbox = obj.find('bndbox')
42.  
    b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
43.  
    float(xmlbox.find('ymax').text))
44.  
    b1, b2, b3, b4 = b
45.  
    # 标注越界修正
46.  
    if b2 > w:
47.  
    b2 = w
48.  
    if b4 > h:
49.  
    b4 = h
50.  
    b = (b1, b2, b3, b4)
51.  
    bb = convert((w, h), b)
52.  
    out_file.write(str(cls_id) " " " ".join([str(a) for a in bb]) '\n')
53.  
     
54.  
     
55.  
    wd = getcwd()
56.  
    for image_set in sets:
57.  
    if not os.path.exists('G:/yolov7-main/VOCdevkit/VOC2007/labels/'):
58.  
    os.makedirs('G:/yolov7-main/VOCdevkit/VOC2007/labels/')
59.  
    image_ids = open('G:/yolov7-main/VOCdevkit/VOC2007/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
60.  
     
61.  
    if not os.path.exists('G:/yolov7-main/VOCdevkit/VOC2007/yolo_path/'):
62.  
    os.makedirs('G:/yolov7-main/VOCdevkit/VOC2007/yolo_path/')
63.  
     
64.  
    list_file = open('yolo_path/%s.txt' % (image_set), 'w') # 相对路径
65.  
    for image_id in image_ids:
66.  
    list_file.write('G:/yolov7-main/VOCdevkit/VOC2007/JPEGImages/%s.jpg\n' % (image_id))
67.  
    convert_annotation(image_id)
68.  
    list_file.close()

由于我的图像数据集名称‘JPEGImages’，和以往yolo系列‘imgaes’名称有区别，因此要在utils文件下的datasets.py中的第349行进行更改，将‘imgaes’更改为‘JPEGImages’（如果本来就是images的话就没必要改了）

如果找不到的话，就ctrl f，搜一下images，一个个看就能定位到了

至此数据集方面就完成啦，接下来就是配置文件啦。

二、配置文件

自己数据集的配置文件

在data目录下新建一个.yaml格式文件（本文crack_data.yaml），文件内容就是训练集、验证集的全局路径（注意train:后需要空格），以及数据集包含的种类数量、类别的名称。（我就一个裂缝）

1.  
   train: G:/yolov7-main/VOCdevkit/VOC2007/yolo_path/train.txt # 训练集路径文件
2.  
   val: G:/yolov7-main/VOCdevkit/VOC2007/yolo_path/val.txt # 验证集集路径文件
3.  
   nc: 1 # 种类
4.  
   names: ['crack'] # 类别名称

训练需更改的配置

 更改cfg文件中training文件夹下的yolov7.yaml中的nc量，就是根据自己数据集所包含类别数量改

（如果没有对yolov7的网络结构做其他更改，此yaml文件就不做其他更改）

参数更改

这一步可以在train.py下直接更改好，也可以在终端输入运行命令的时候再补充，这里就是提前先改好。红色的是需要根据上面配置的路径进行更改，蓝色的根据自己电脑配置更改

 三、训练

本人在训练的时候遇到很多问题，代码始终跑不通，没有直接跑train.py程序，而是在终端运行，但是直接使用python train.py会报错，综合网上的信息最保险的运行代码（因为啥我倒是没搞明白）

python train.py --weights 'yolov7.pt'

然后就可以训练自己的数据集了

PS

由于本人的电脑的gpu是1050，不够给力，待遇到其他报错问题会对本文章进行补充

希望大家根据本文章可以使用yolov7训练自己的数据集哦~

这篇好文章是转载于：学新通技术网