标签：yolov5 name 训练 -- 模型 id project txt image
1、项目背景
本想写项目，但被说了，所以，没了。
本项目基于Pytorch版本的yolov5实现xxxx识别。
2、网络结构介绍
Pytorch版本的yolov5的模型介绍，估计网上一大堆，要想看源码或者原始模型介绍，可自行百度。如果需要pdf版本（自己不想找），私信我即可。
3、模型训练
源码下载：https://github.com/ultralytics/yolov5.git
3.1 源码目录主要部分介绍：
-
环境配置
conda activate yolov5 pip install -r requirements.txt如果anaconda官方源安装速度较慢，可指定源进行安装，如
pip install -r requirements.txt -i https://pypi.doubanio.com 豆瓣源 -
data文件夹（创建自己的训练文件）
-
datasets文件夹（创建自己的训练数据集）
3.2 数据集准备
举例：
-
准备10000张图片，及对应的xml文件，存放于 images里面即可；
-
使用convert_data.py，将其放在项目根目录下，运行对数据集进行处理，生成满足yolov5训练的格式，
# -*- coding: utf-8 -*- import xml.etree.ElementTree as ET from tqdm import tqdm import os from os import getcwd # 重点是下面这块代码，即将box = [xmin, ymin, xmax, ymax] -> [x_center, y_center, width, height] def convert(size, box): dw = 1. / (size[0]) dh = 1. / (size[1]) x = (box[0] + box[1]) / 2.0 - 1 # 求中心点坐标x, y y = (box[2] + box[3]) / 2.0 - 1 w = box[1] - box[0] # 求宽度，高度 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, project_name): # 自己可选择是否添加异常处理，此处注释 # try: # 打开对应图片xml文件 in_file = open('datasets/{}/images/{}.xml'.format(project_name, image_id), encoding='utf-8') # 创建对应图片txt文件 out_file = open('datasets/{}/labels/{}.txt'.format(project_name, image_id), 'w', encoding='utf-8') tree = ET.parse(in_file) # 解析xml root = tree.getroot() size = root.find('size') w = int(size.find('width').text) # 获取高宽 h = int(size.find('height').text) # 读取xml中各个object的bbox信息 for obj in root.iter('object'): 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) # 得到某一个object的bbox信息 bb = convert((w, h), b) # 进行转换 out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n') # except Exception as e: # print(e, image_id) if __name__ == '__main__': # 自定义修改 project_names = {"coco_xxxx_ocr": ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'A', 'B', 'C', 'D', 'E', 'F' , 'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z'],} project_name = 'coco_xxxx_ocr' sets = ['train', 'val'] # 获取images里的所有图片的序号 image_ids = [v.split('.')[0] for v in os.listdir('datasets/{}/images/'.format(project_name)) if v.endswith('.xml')] import random random.shuffle(image_ids) # 打乱数据集 split_num = int(0.95 * len(image_ids)) # 划分数据集 classes = project_names[project_name] # 获取对应数据集的标签列表 # 创建转换之后的txt文件存放路径labels if not os.path.exists('datasets/{}/labels/'.format(project_name)): os.makedirs('datasets/{}/labels/'.format(project_name)) # 创建train2017.txt list_file = open('datasets/{}/train2017.txt'.format(project_name), 'w') for image_id in tqdm(image_ids[:split_num]): # 此处是对所有类型图片机型智能化区分，有bmp、jpg if os.path.exists('datasets/{}/images/{}.bmp'.format(project_name, image_id)): list_file.write('datasets/{}/images/{}.bmp\n'.format(project_name, image_id)) elif os.path.exists('datasets/{}/images/{}.jpg'.format(project_name, image_id)): list_file.write('datasets/{}/images/{}.jpg\n'.format(project_name, image_id)) # 转换 convert_annotation(image_id, project_name) list_file.close() # 创建val2017.txt list_file = open('datasets/{}/val2017.txt'.format(project_name), 'w') for image_id in tqdm(image_ids[split_num:]): if os.path.exists('datasets/{}/images/{}.bmp'.format(project_name, image_id)): list_file.write('datasets/{}/images/{}.bmp\n'.format(project_name, image_id)) elif os.path.exists('datasets/{}/images/{}.jpg'.format(project_name, image_id)): list_file.write('datasets/{}/images/{}.jpg\n'.format(project_name, image_id)) convert_annotation(image_id, project_name) list_file.close()完成数据转换，即在同名数据集下，
1）自动生成labels文件夹，里面包含对应图片的txt文件。如下：
2）train2017.txt、val2017.txt、test2017.txt
如下所示，每一行为每一张图片的路径，可绝对，可相对，建议绝对 该py文件，其实满足所有yolo系列的数据集处理。
-
开始训练
python train.py --img 640 --batch 4 --epoch 300 --data .\data\coco_xxxx_ocr.yaml --cfg .\models\yolov5m.yaml --weights .\weights\yolov5m.pt --workers 0
训练报错处理1：
OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized. OMP: Hi.......
在train.py文件开头添加几行代码，如下，即可解决
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'
- 模型测试1（单张图片）
python detect.py --weights ..\runs\train_xxxx_ocr\exp6\weights\best.pt --source ..\test\xxxxxxxxxxx.jpg
-
模型测试2（批量测试，生成对应txt）
test.py 文件里
--task 测试文件中的任务选项，有train、val、test，对应yaml文件中的三个有train2017.txt\val2017.txt\test2017.txt路径，如果没有txt文件，根据你的测试图片路径创建，然后在yaml文件中进行修改 --data 和训练代码中的类似，--data .\data\coco_xxxx_ocr.yaml --weights 训练出来的模型路ing ..\runs\train_xxxx_ocr\exp6\weights\best.pt --batch_size 测试批次大小，取决于自己的电脑配置 --imgsz 测试图片resize大小，和训练时匹配一致即可 --device 0，1，2，3..... 或者cpu --save-txt 是否对应图片结果保存txt文件 python test.py --weights ..\runs\train_xxxx_ocr\exp6\weights\best.pt --data .\data\coco_xxxx_ocr.yaml
标签：yolov5,name,训练,--,模型,id,project,txt,image 来源： https://blog.csdn.net/silencehhh/article/details/118610868
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。