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
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:pythonProject1yolov5-6.0bottle_datasetstrongerxml' # 原来存放xml文件的目录
newdir = r'D:pythonProject1yolov5-6.0bottle_datasetstrongerlabels' # 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！🙏🙏🙏
文章转载遵循CC 4.0 BY-SA版权协议，来源于互联网: YOLOV5训练自己的数据集（超详细，小白必看） | https://blog.csdn.net/m0_64524798/article/details/129003557
