YOLOv5_5.0训练自己的数据集

第一步：下载YOLOv5代码，并配置环境，测试一下是否有无环境问题

yolov5_5.0源代码开源地址：

1.源代码下载后右击选择PyCharm打开，等待一会，会弹出一个要你配置环境的对话框，关掉它，我们自己配置环境。

配置环境：点击【文件】->【设置】->【Python解释器】，选择相应的环境【我的是：pytorch】

配置要有个一两分钟，等待一下

2.找到【detect.py】，右击运行，报错如下:

原因：没有放权重文件进去，下载地址：权重地址

解决方法：下载后放到项目文件中去。

3.再次运行【detect.py】结果：在D:\DeepLearning\projectone\yolov5-5.0\runs\detect\exp2中生成了预测的结果图片，但是没有预测框？？？？？

解决方法1：在53行添加如下代码：

cudnn.benchmark = True

添加后就是这样的：

然后再运行【detect.py】，结果如下，有了预测框，但是出现的问题就是检测速度变慢了，具体也不知道为啥，有懂得小伙伴可以留言呐！！

解决方法2：在【detect.py】，定位到32行，注释掉原来的代码，更改为

half = False

结果：预测框就出现了！！！！

经过以上测试，说明我们得环境是没有问题的，可以进行下一步啦。

---------------------------------------------------手动分割线---------------------------------------------------------------

第二步：数据集格式的转换与划分

参考博客：

(70条消息) 使用Yolov5训练自己制作的数据集，快速上手_佐咖的博客-CSDN博客_yolov5数据集格式

我使用的是Make Sense在线标注，还是挺方便的，不过要注意一次不要导入太多图片，因为是在线网页上的操作，要是误关了网页，就要重来了。。。使用很简单，这里不赘述。

标注完后得到一份压缩包：

解压后得到xml文件：

下面开始对标注的格式进行转换，并划分数据集，这里是VOC格式

1.首先创建VOC格式数据集文件格式：先对格式做个说明：这里是划分前的文件夹形式，自己按照如下格式创建好文件夹：（说明：dataset是我D盘下的一个文件夹，这里自己定，我没有把VOCdevkit数据集文件夹放到yolo项目根目录中）

在创建好文件夹后，将图片放入JPEGImages，将makesense导出的xml文件放入Annotations。

2.转换脚本：主要修改一下路径

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import random
from shutil import copyfile

classes = ["cat","dog","fox"]        ## 这里要写好标签对应的类

TRAIN_RATIO = 80     # 表示将数据集划分为训练集和验证集，按照2:8比例来的

def clear_hidden_files(path):
    dir_list = os.listdir(path)
    for i in dir_list:
        abspath = os.path.join(os.path.abspath(path), i)
        if os.path.isfile(abspath):
            if i.startswith("._"):
                os.remove(abspath)
        else:
            clear_hidden_files(abspath)

def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    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('D:/DeepLearning/dataset/VOCdevkit/VOC2022/Annotations/%s.xml' % image_id)
    out_file = open('D:/DeepLearning/dataset/VOCdevkit/VOC2022/YOLOLabels/%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
        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))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
    in_file.close()
    out_file.close()

wd = os.getcwd()
wd = os.getcwd()
data_base_dir = os.path.join(wd, "D:/DeepLearning/dataset/VOCdevkit/")
if not os.path.isdir(data_base_dir):
    os.mkdir(data_base_dir)
work_sapce_dir = os.path.join(data_base_dir, "D:/DeepLearning/dataset/VOCdevkit/VOC2022/")
if not os.path.isdir(work_sapce_dir):
    os.mkdir(work_sapce_dir)
annotation_dir = os.path.join(work_sapce_dir, "D:/DeepLearning/dataset/VOCdevkit/VOC2022/Annotations/")
if not os.path.isdir(annotation_dir):
    os.mkdir(annotation_dir)
clear_hidden_files(annotation_dir)
image_dir = os.path.join(work_sapce_dir, "D:/DeepLearning/dataset/VOCdevkit/VOC2022/JPEGImages/")
if not os.path.isdir(image_dir):
    os.mkdir(image_dir)
clear_hidden_files(image_dir)
yolo_labels_dir = os.path.join(work_sapce_dir, "D:/DeepLearning/dataset/VOCdevkit/VOC2022/YOLOLabels/")
if not os.path.isdir(yolo_labels_dir):
    os.mkdir(yolo_labels_dir)
clear_hidden_files(yolo_labels_dir)
yolov5_images_dir = os.path.join(data_base_dir, "images/")
if not os.path.isdir(yolov5_images_dir):
    os.mkdir(yolov5_images_dir)
clear_hidden_files(yolov5_images_dir)
yolov5_labels_dir = os.path.join(data_base_dir, "labels/")
if not os.path.isdir(yolov5_labels_dir):
    os.mkdir(yolov5_labels_dir)
clear_hidden_files(yolov5_labels_dir)
yolov5_images_train_dir = os.path.join(yolov5_images_dir, "train/")
if not os.path.isdir(yolov5_images_train_dir):
    os.mkdir(yolov5_images_train_dir)
clear_hidden_files(yolov5_images_train_dir)
yolov5_images_test_dir = os.path.join(yolov5_images_dir, "val/")
if not os.path.isdir(yolov5_images_test_dir):
    os.mkdir(yolov5_images_test_dir)
clear_hidden_files(yolov5_images_test_dir)
yolov5_labels_train_dir = os.path.join(yolov5_labels_dir, "train/")
if not os.path.isdir(yolov5_labels_train_dir):
    os.mkdir(yolov5_labels_train_dir)
clear_hidden_files(yolov5_labels_train_dir)
yolov5_labels_test_dir = os.path.join(yolov5_labels_dir, "val/")
if not os.path.isdir(yolov5_labels_test_dir):
    os.mkdir(yolov5_labels_test_dir)
clear_hidden_files(yolov5_labels_test_dir)

train_file = open(os.path.join(wd, "yolov5_train.txt"), 'w')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'w')
train_file.close()
test_file.close()
train_file = open(os.path.join(wd, "yolov5_train.txt"), 'a')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'a')
list_imgs = os.listdir(image_dir)  # list image files
prob = random.randint(1, 100)
print("Probability: %d" % prob)
for i in range(0, len(list_imgs)):
    path = os.path.join(image_dir, list_imgs[i])
    if os.path.isfile(path):
        image_path = image_dir + list_imgs[i]
        voc_path = list_imgs[i]
        (nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path))
        (voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path))
        annotation_name = nameWithoutExtention + '.xml'
        annotation_path = os.path.join(annotation_dir, annotation_name)
        label_name = nameWithoutExtention + '.txt'
        label_path = os.path.join(yolo_labels_dir, label_name)
    prob = random.randint(1, 100)
    print("Probability: %d" % prob)
    if (prob < TRAIN_RATIO):  # train dataset
        if os.path.exists(annotation_path):
            train_file.write(image_path + '\n')
            convert_annotation(nameWithoutExtention)  # convert label
            copyfile(image_path, yolov5_images_train_dir + voc_path)
            copyfile(label_path, yolov5_labels_train_dir + label_name)
    else:  # test dataset
        if os.path.exists(annotation_path):
            test_file.write(image_path + '\n')
            convert_annotation(nameWithoutExtention)  # convert label
            copyfile(image_path, yolov5_images_test_dir + voc_path)
            copyfile(label_path, yolov5_labels_test_dir + label_name)
train_file.close()
test_file.close()

转换后结果：

1）在YOLOLabels中生成了txt格式的标注文件，完成了xml到txt格式的转换；

2）在VOCdevkit下生成了两个文件夹Images和labels，分别存放图片和txt格式的标注文件

Images下存放训练集和验证集图片，比例8：2，labels下存放训练集和验证集的标注文件，比例8：2，完成了训练集与验证集的划分。

具体格式如下：