содержание
5. Изменить параметры конфигурации
6. Измените параметры train.py
7. Просмотр результатов тренировки
Резюме
YOLOV5 не является строго пятой версией YOLO, потому что она не была признана Джо Редмоном, отцом YOLO, но общая производительность предоставленных тестовых данных по-прежнему хорошая. Подробные данные следующие:
YOLOv5 — это не отдельная модель, а семейство моделей, включающее YOLOv5s, YOLOv5m, YOLOv5l, YOLOv5x, YOLOv5x+TTA, что немного похоже на EfficientDet. Поскольку бумаги для V5 нет, мы можем узнать это только из кода. В целом он похож на YOLOV4 и может считаться расширенной версией YOLOV5.
адрес проекта:GitHub.com/ultra Еще одна ICS…
тренироваться
1. Загрузите код
адрес проекта:GitHub.com/ultra Еще одна ICS…, автор недавно обновил код.
2. Среда конфигурации
matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
pillow
PyYAML>=5.3
scipy>=1.4.1
tensorboard>=2.2
torch>=1.6.0
torchvision>=0.7.0
tqdm>=4.41.0
3. Подготовьте набор данных
Набор данных принимает формат данных, отмеченный Labelme.Набор данных получает два типа наборов данных о самолетах и бочках с маслом из набора данных RSOD и преобразует их в набор данных, отмеченный Labelme.
Адрес набора данных:disk.baidu.com/is/1ITU PVA9_…
Код извлечения: gr6g
или:download.CSDN.net/download/Хе-хе…
Разархивируйте загруженный набор данных и поместите его в корневой каталог проекта. Подготовьтесь к следующему шагу по созданию набора данных для тестирования. Как показано ниже:
4. Создайте набор данных
Набор данных YoloV5 отличается от набора данных предыдущих версий, давайте сначала посмотрим на преобразованный набор данных.
Структура данных следующая:
В папке images хранятся изображения поезда и вальса.
Метки хранят объектные данные train и val, и каждый txt файл в нем соответствует картинкам в изображениях один к одному.
Содержимое txt-файла следующее:
Формат: класс объекта x y w h
Являются ли координаты реальными координатами, вычисляется путем деления координат на ширину и высоту и является отношением ширины и высоты.
Затем мы пишем код для создания набора данных, создаем новый файл LabelmeToYoloV5.py, а затем пишем следующий код.
import os
import numpy as np
import json
from glob import glob
import cv2
from sklearn.model_selection import train_test_split
from os import getcwd
classes = ["aircraft", "oiltank"]
# 1.标签路径
labelme_path = "LabelmeData/"
isUseTest = True # 是否创建test集
# 3.获取待处理文件
files = glob(labelme_path + "*.json")
files = [i.replace("\\", "/").split("/")[-1].split(".json")[0] for i in files]
print(files)
if isUseTest:
trainval_files, test_files = train_test_split(files, test_size=0.1, random_state=55)
else:
trainval_files = files
# split
train_files, val_files = train_test_split(trainval_files, test_size=0.1, random_state=55)
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)
wd = getcwd()
print(wd)
def ChangeToYolo5(files, txt_Name):
if not os.path.exists('tmp/'):
os.makedirs('tmp/')
list_file = open('tmp/%s.txt' % (txt_Name), 'w')
for json_file_ in files:
json_filename = labelme_path + json_file_ + ".json"
imagePath = labelme_path + json_file_ + ".jpg"
list_file.write('%s/%s\n' % (wd, imagePath))
out_file = open('%s/%s.txt' % (labelme_path, json_file_), 'w')
json_file = json.load(open(json_filename, "r", encoding="utf-8"))
height, width, channels = cv2.imread(labelme_path + json_file_ + ".jpg").shape
for multi in json_file["shapes"]:
points = np.array(multi["points"])
xmin = min(points[:, 0]) if min(points[:, 0]) > 0 else 0
xmax = max(points[:, 0]) if max(points[:, 0]) > 0 else 0
ymin = min(points[:, 1]) if min(points[:, 1]) > 0 else 0
ymax = max(points[:, 1]) if max(points[:, 1]) > 0 else 0
label = multi["label"]
if xmax <= xmin:
pass
elif ymax <= ymin:
pass
else:
cls_id = classes.index(label)
b = (float(xmin), float(xmax), float(ymin), float(ymax))
bb = convert((width, height), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
print(json_filename, xmin, ymin, xmax, ymax, cls_id)
ChangeToYolo5(train_files, "train")
ChangeToYolo5(val_files, "val")
ChangeToYolo5(test_files, "test")
Выполнение этого кода будет генерировать данные аннотации txt для каждого изображения в LabelmeData, а txt тренировочного набора, набора проверки и набора тестов будет создан в папке tmp, txt записывает путь к изображению, которое используется для создания обучения YoloV5 и подготовки набора данных для тестирования. Создайте новый файл MakeData.py в папке tmp, чтобы сгенерировать окончательный результат.Структура каталогов выглядит следующим образом:
Откройте MakeData.py и напишите следующий код.
import shutil
import os
file_List = ["train", "val", "test"]
for file in file_List:
if not os.path.exists('../VOC/images/%s' % file):
os.makedirs('../VOC/images/%s' % file)
if not os.path.exists('../VOC/labels/%s' % file):
os.makedirs('../VOC/labels/%s' % file)
print(os.path.exists('../tmp/%s.txt' % file))
f = open('../tmp/%s.txt' % file, 'r')
lines = f.readlines()
for line in lines:
print(line)
line = "/".join(line.split('/')[-5:]).strip()
shutil.copy(line, "../VOC/images/%s" % file)
line = line.replace('JPEGImages', 'labels')
line = line.replace('jpg', 'txt')
shutil.copy(line, "../VOC/labels/%s/" % file)
После завершения выполнения можно создать набор данных, используемый для обучения YoloV5. Результат выглядит следующим образом:
5. Изменить параметры конфигурации
打开voc.yaml文件，修改里面的配置参数
train: VOC/images/train/ # 训练集图片的路径
val: VOC/images/val/ # 验证集图片的路径
# number of classes
nc: 2 #检测的类别，本次数据集有两个类别所以写2
# class names
names: ["aircraft", "oiltank"]#类别的名称，和转换数据集时的list对应
6. Измените параметры train.py
cfg参数是YoloV5 模型的配置文件，模型的文件存放在models文件夹下面，按照需求填写不同的文件。
weights参数是YoloV5的预训练模型，和cfg对应，例：cfg配置的是yolov5s.yaml，weights就要配置yolov5s.pt
data是配置数据集的配置文件，我们选用的是voc.yaml，所以配置data/voc.yaml
修改上面三个参数就可以开始训练了，其他的参数根据自己的需求修改。修改后的参数配置如下：
parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')
parser.add_argument('--cfg', type=str, default='yolov5s.yaml', help='model.yaml path')
parser.add_argument('--data', type=str, default='data/voc.yaml', help='data.yaml path')
После завершения модификации можно приступать к обучению. Как показано ниже:
7. Просмотр результатов тренировки
После тренировки 300 эпох мы найдем файлы тренированных весов и некоторые файлы тренировочного процесса в папке прогонов. Как показано на рисунке:
контрольная работа
Для начала нужно добавить путь к тестовому набору в voc.yaml, открыть voc.yaml и добавить строку test: tmp/test.txt после поля val, как показано на рисунке:
Измените параметры в test.py, необходимо изменить следующие параметры.
parser = argparse.ArgumentParser(prog='test.py')
parser.add_argument('--weights', nargs='+', type=str, default='runs/exp7/weights/best.pt', help='model.pt path(s)')
parser.add_argument('--data', type=str, default='data/voc.yaml', help='*.data path')
parser.add_argument('--batch-size', type=int, default=2, help='size of each image batch')
parser.add_argument('--save-txt', default='True', action='store_true', help='save results to *.txt')
В строке 275 измените метод тестирования и увеличьте путь для сохранения результатов тестирования. Таким образом, после завершения теста вы можете просмотреть тестовые изображения в inference\images и просмотреть сохраненные результаты теста в inference\output.
Как показано на рисунке:
Вот результат запуска:
Код и модель:download.CSDN.net/download/Хе-хе…
Если у вас есть награда, отсканируйте QR-код ниже.