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
-
# coding:utf-8
-
-
import os
-
import random
-
import argparse
-
-
parser = argparse.ArgumentParser()
-
parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')
-
parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path')
-
opt = parser.parse_args()
-
-
trainval_percent = 0.9 # 训练集和验证集所占比例
-
train_percent = 0.9 # 训练集所占比例
-
xmlfilepath = opt.xml_path
-
txtsavepath = opt.txt_path
-
total_xml = os.listdir(xmlfilepath)
-
if not os.path.exists(txtsavepath):
-
os.makedirs(txtsavepath)
-
-
num = len(total_xml)
-
list_index = range(num)
-
tv = int(num * trainval_percent)
-
tr = int(tv * train_percent)
-
trainval = random.sample(list_index, tv)
-
train = random.sample(trainval, tr)
-
-
file_trainval = open(txtsavepath '/trainval.txt', 'w')
-
file_test = open(txtsavepath '/test.txt', 'w')
-
file_train = open(txtsavepath '/train.txt', 'w')
-
file_val = open(txtsavepath '/val.txt', 'w')
-
-
for i in list_index:
-
name = total_xml[i][:-4] '\n'
-
if i in trainval:
-
file_trainval.write(name)
-
if i in train:
-
file_train.write(name)
-
else:
-
file_val.write(name)
-
else:
-
file_test.write(name)
-
-
file_trainval.close()
-
file_train.close()
-
file_val.close()
-
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\)
-
# -*- coding: utf-8 -*-
-
import xml.etree.ElementTree as ET
-
import os
-
from os import getcwd
-
-
sets = ['train', 'val', 'test']
-
classes = ["crack"]
-
abs_path = os.getcwd()
-
print(abs_path)
-
-
-
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
-
-
-
def convert_annotation(image_id):
-
in_file = open('G:/yolov7-main/VOCdevkit/VOC2007/Annotations/%s.xml' % (image_id), encoding='UTF-8')
-
out_file = open('G:/yolov7-main/VOCdevkit/VOC2007/labels/%s.txt' % (image_id), 'w')
-
tree = ET.parse(in_file)
-
root = tree.getroot()
-
size = root.find('size')
-
w = int(size.find('width').text)
-
h = int(size.find('height').text)
-
for obj in root.iter('object'):
-
difficult = obj.find('difficult').text
-
# difficult = obj.find('Difficult').text
-
cls = obj.find('name').text
-
if cls not in classes or int(difficult) == 1:
-
continue
-
cls_id = classes.index(cls)
-
xmlbox = obj.find('bndbox')
-
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
-
float(xmlbox.find('ymax').text))
-
b1, b2, b3, b4 = b
-
# 标注越界修正
-
if b2 > w:
-
b2 = w
-
if b4 > h:
-
b4 = h
-
b = (b1, b2, b3, b4)
-
bb = convert((w, h), b)
-
out_file.write(str(cls_id) " " " ".join([str(a) for a in bb]) '\n')
-
-
-
wd = getcwd()
-
for image_set in sets:
-
if not os.path.exists('G:/yolov7-main/VOCdevkit/VOC2007/labels/'):
-
os.makedirs('G:/yolov7-main/VOCdevkit/VOC2007/labels/')
-
image_ids = open('G:/yolov7-main/VOCdevkit/VOC2007/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
-
-
if not os.path.exists('G:/yolov7-main/VOCdevkit/VOC2007/yolo_path/'):
-
os.makedirs('G:/yolov7-main/VOCdevkit/VOC2007/yolo_path/')
-
-
list_file = open('yolo_path/%s.txt' % (image_set), 'w') # 相对路径
-
for image_id in image_ids:
-
list_file.write('G:/yolov7-main/VOCdevkit/VOC2007/JPEGImages/%s.jpg\n' % (image_id))
-
convert_annotation(image_id)
-
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)
-
train: G:/yolov7-main/VOCdevkit/VOC2007/yolo_path/train.txt # 训练集路径文件
-
val: G:/yolov7-main/VOCdevkit/VOC2007/yolo_path/val.txt # 验证集集路径文件
-
nc: 1 # 种类
-
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
- 版权申明: 本站部分内容来自互联网,仅供学习及演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,请提供相关证据及您的身份证明,我们将在收到邮件后48小时内删除。
- 本站站名: 学新通技术网
- 本文地址: /boutique/detail/tanhgfkhek
-
photoshop保存的图片太大微信发不了怎么办
PHP中文网 06-15 -
《学习通》视频自动暂停处理方法
HelloWorld317 07-05 -
Android 11 保存文件到外部存储,并分享文件
Luke 10-12 -
word里面弄一个表格后上面的标题会跑到下面怎么办
PHP中文网 06-20 -
photoshop扩展功能面板显示灰色怎么办
PHP中文网 06-14 -
微信公众号没有声音提示怎么办
PHP中文网 03-31 -
excel下划线不显示怎么办
PHP中文网 06-23 -
excel打印预览压线压字怎么办
PHP中文网 06-22 -
TikTok加速器哪个好免费的TK加速器推荐
TK小达人 10-01 -
怎样阻止微信小程序自动打开
PHP中文网 06-13