YOLOV5训练自己的数据集（超详细，小白必看）

哈喽大家好 ！ 我是唐宋宋宋，很荣幸与您相见！！！

一.代码

yolov5的代码需要大家上github自己扒 链接已经提供。

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

二.新建存放数据的文件

首先需要创建三个文件用来存放需要的数据。（名字自己定义，注意区分）

images和labels文件里需要创建train，val文件具体如下：

LOVE_PRE文件里需要创建Annotations（标注），JPEGImages（照片），labels（类别标签）文件具体如下：

三.填入需要的数据

*文件我们先备好，接下来看文件内需要放哪些内容。

说一下，既然是训练自己的数据集就需要我们对自己寻找的数据集进行标注，这边我使用的是labelimg 它是用Python编写的，并将Qt用于其图形界面 具体怎么使用大家可以参考

(21条消息) labelImg 使用教程 图像标定工具_Dontla的博客-CSDN博客_labelimg

注：标注好的.xml文件放入Annotations内。

我们知道使用labelimg标注好的文件格式是.xml文件 如果我们要使用yolov5就需要把它转换成yolov5需要的文件格式 .txt （这是重点） 代码附下：

# -*- coding: utf-8 -*-
import os
import xml.etree.ElementTree as ET

dirpath = r'D:\pythonProject1\yolov5-6.0\bottle_dataset\stronger\xml'  # 原来存放xml文件的目录
newdir = r'D:\pythonProject1\yolov5-6.0\bottle_dataset\stronger\labels'  # 修改label后形成的txt目录

if not os.path.exists(newdir):
    os.makedirs(newdir)

dict_info = {'green': 0, 'transparent': 1, 'white': 2, 'blue': 3, 'unknown': 4, 'orange': 5}  # 有几个 类别 填写几个label names

for fp in os.listdir(dirpath):
    if fp.endswith('.xml'):
        root = ET.parse(os.path.join(dirpath, fp)).getroot()

        xmin, ymin, xmax, ymax = 0, 0, 0, 0
        sz = root.find('size')
        width = float(sz[0].text)
        height = float(sz[1].text)
        filename = root.find('filename').text
        for child in root.findall('object'):  # 找到图片中的所有框

            sub = child.find('bndbox')  # 找到框的标注值并进行读取
            label = child.find('name').text
            label_ = dict_info.get(label)
            if label_:
                label_ = label_
            else:
                label_ = 0
            xmin = float(sub[0].text)
            ymin = float(sub[1].text)
            xmax = float(sub[2].text)
            ymax = float(sub[3].text)
            try:  # 转换成yolov3的标签格式，需要归一化到（0-1）的范围内
                x_center = (xmin + xmax) / (2 * width)
                x_center = '%.6f' % x_center
                y_center = (ymin + ymax) / (2 * height)
                y_center = '%.6f' % y_center
                w = (xmax - xmin) / width
                w = '%.6f' % w
                h = (ymax - ymin) / height
                h = '%.6f' % h
            except ZeroDivisionError:
                print(filename, '的 width有问题')
            with open(os.path.join(newdir, fp.split('.xml')[0] + '.txt'), 'a+') as f:
                f.write(' '.join([str(label_), str(x_center), str(y_center), str(w), str(h) + '\n']))
print('ok')

代码只需要更改5，6行的文件路径和第11行你所标注的类别即可。

注：.xml转化成.txt文件放入labels内。

注：我们用到的所有照片放入JPEGImage内。

生成的.txt内容如下（以我的数据为例）第一列是设定的标签，后面是坐标位置

接下来切分数据集，对于我们标注的图片需要进行切分成训练集和验证集（一般比例是8：2）训练集放入创建的images/train中，验证集放入images/val中，训练的图片对应的.txt文件放入labels/train中，验证的图片对应的.txt文件放入labels/val中。（训练和验证的图片和.txt文档的数量一定要对应）

*以上是完整的对于数据文件的划分。

四.构造自己的.yaml文件

因为yolov5训练数据调用的都是.yaml文件，所以我们需要在date目录下创建一个xxx.yaml文件来存放我们已经整理好的数据，其中train存放的是我们切分好的训练.txt文件，需要存放其绝对路径（可以放相对，但要调整好目录级别）val存放的是我们切分好的验证.txt文件，路径同train一样。

nc: 存放类别个数

name：存放类别的名字（个数和nc对应）

如图：

五.运行train.py文件训练

开始训练我们的数据集，运行train.py需要注意这几个参数。

--weight 先选用官方的yolov5s.pt权重

--cfg 选用model目录下的yolov5s模型

--date选用自己编写的.yaml文件

--epoch指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点

--bath_size一次看完多少张图片才进行权重更新，梯度下降的mini-batch,显卡不行你就调小点

以上的参数解释如下：

img-size：输入图片宽高,显卡不行你就调小点。

rect：进行矩形训练

resume：恢复最近保存的模型开始训练

nosave：仅保存最终checkpoint

notest：仅测试最后的epoch

evolve：进化超参数

bucket：gsutil bucket

cache-images：缓存图像以加快训练速度

weights：权重文件路径

name： 重命名results.txt to results_name.txt

device：cuda device, i.e. 0 or 0,1,2,3 or cpu

adam：使用adam优化

multi-scale：多尺度训练，img-size +/- 50%

single-cls：单类别的训练集

六.查看训练好的权重及可视化日志

训练生成好的文件会在一个run文件中（代码跑完自己生成）。

注：生成的一些信息都存在这个文件里面，红标箭头标出的权重就是我们所训练好以后需要的内容。

*训练过程可视化

利用tensorboard可视化训练过程，使用tensorboard打开即可查看训练日志。

我们可以拿出best.pt权重来进行测试和推理这些会在另一篇博客中讲解，以上就是使用yolov5训练自己的数据集的全部内容。

感谢大家阅读！🙏🙏🙏