特黄AAAAAAAA免费观看视频,青娱乐成人分类视频,青草视频欧美,无码中文字幕在线视频,操逼网网,99色图,色婷婷综合久久久中文字幕,五月丁香六月婷婷久久

1. 數(shù)據(jù)配置

1.1. 工具安裝

Labelimg 是一款開源的數(shù)據(jù)標注工具，可以標注三種格式：

1.VOC標簽格式，保存為xml文件

2.yolo標簽格式，保存為txt文件

3.createML標簽格式，保存為json格式

安裝也比較簡單：

$ pip3 install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

1.2. 數(shù)據(jù)準備

1.2.1. 建立文件夾和基礎(chǔ)文件

先在主目錄建立一個 resources 文件夾，專門用來存放總的訓練數(shù)據(jù)

然后在該目錄下建立一個 VOC_DIY 文件夾，用于這次訓練的數(shù)據(jù)文件夾

在這里面建立一個 JPEGImages 文件夾存放需要打標簽的圖片文件

再建立一個 Annotations 文件夾存放標注的標簽文件

最后創(chuàng)建一個名為 predefined_classes.txt 的 txt 文件來存放所要標注的類別名稱

最終結(jié)構(gòu)如下：

1.2.2. 編輯類別種類

假設(shè)任務(wù)是需要一個檢測人和手表的任務(wù)，那么目標只有兩個

先編輯 predefined_classes.txt 文件，定義的類別種類：

personwatche

1.2.3. 放置標注圖片

然后把待標注的圖片放在 JPEGImages 文件夾中，這里演示只用10張：

實際應(yīng)用時需要更多更好的數(shù)據(jù)，數(shù)量和質(zhì)量都很重要

1.3. 數(shù)據(jù)標注

路徑切換到y(tǒng)olov5\resources\VOC_DIY數(shù)據(jù)集文件夾中來

在該地址啟動 labelimg

$ labelimg JPEGImages predefined_classes.txt

基礎(chǔ)的配置和使用參考網(wǎng)上隨便搜一下就好了，如《labelImg使用教程》(https://blog.csdn.net/weixin_42899627/article/details/109000509)

主要設(shè)置：

?Auto Save mode：切換到下一張圖的時候，會自動保存標簽。

?Display Labels：顯示標注框和標簽

?Advanced Mode：標注的十字架懸浮在窗口上

標注好了之后，可以在 Annotations 文件夾中查看：

1.4. 數(shù)據(jù)轉(zhuǎn)換

目標檢測的數(shù)據(jù)集資源標簽的格式一般都是VOC（xml格式）

剛剛labelimg默認配置的也是，不過也可以自己設(shè)置為 yolo（txt格式）

現(xiàn)在就需要對xml格式的標簽文件轉(zhuǎn)換為txt文件

同時將數(shù)據(jù)集需要劃分為訓練集和驗證集

路徑切回工程主目錄，建立一個 voc2yolo.py 文件實現(xiàn)以上所述功能

import xml.etree.ElementTree as ETimport osimport randomfrom shutil import rmtree, copyfile
classes = ["person", "watche"]
TRAIN_RATIO = 0.8VOC_PATH = 'resources/VOC_DIY/'CLEAR_HISTORICAL_DATA = True

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(VOC_PATH + 'Annotations/%s.xml' % image_id)    out_file = open(VOC_PATH + '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()

work_sapce_dir = os.path.join(os.getcwd(), VOC_PATH).replace('/','\\')annotation_dir = os.path.join(work_sapce_dir, "Annotations/").replace('/','\\')image_dir = os.path.join(work_sapce_dir, "JPEGImages/").replace('/','\\')
yolo_labels_dir = os.path.join(work_sapce_dir, "YOLOLabels/").replace('/','\\')yolov5_images_dir = os.path.join(work_sapce_dir, "images/").replace('/','\\')yolov5_labels_dir = os.path.join(work_sapce_dir, "labels/").replace('/','\\')yolov5_images_train_dir = os.path.join(yolov5_images_dir, "train/").replace('/','\\')yolov5_images_test_dir = os.path.join(yolov5_images_dir, "val/").replace('/','\\')yolov5_labels_train_dir = os.path.join(yolov5_labels_dir, "train/").replace('/','\\')yolov5_labels_test_dir = os.path.join(yolov5_labels_dir, "val/").replace('/','\\')
dir_list = [yolo_labels_dir, yolov5_images_dir, yolov5_labels_dir,            yolov5_images_train_dir, yolov5_images_test_dir,            yolov5_labels_train_dir, yolov5_labels_test_dir]
for dir in dir_list:    if not os.path.isdir(dir):        os.mkdir(dir)    elif CLEAR_HISTORICAL_DATA is True:        rmtree(dir)        os.mkdir(dir)        print("Clean {}".format(dir))
train_file = open(os.path.join(work_sapce_dir, "yolov5_train.txt"), 'w')test_file = open(os.path.join(work_sapce_dir, "yolov5_val.txt"), 'w')train_file.close()test_file.close()train_file = open(os.path.join(work_sapce_dir, "yolov5_train.txt"), 'a')test_file = open(os.path.join(work_sapce_dir, "yolov5_val.txt"), 'a')
list_imgs = os.listdir(image_dir)list_imgs.sort()random.shuffle(list_imgs)imgs_len = len(list_imgs)
for i in range(0, imgs_len):    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)
    if i <= TRAIN_RATIO * imgs_len:        if os.path.exists(annotation_path):            train_file.write(image_path + '\n')            convert_annotation(nameWithoutExtention)            copyfile(image_path, yolov5_images_train_dir + voc_path)            copyfile(label_path, yolov5_labels_train_dir + label_name)    else:        if os.path.exists(annotation_path):            test_file.write(image_path + '\n')            convert_annotation(nameWithoutExtention)            copyfile(image_path, yolov5_images_test_dir + voc_path)            copyfile(label_path, yolov5_labels_test_dir + label_name)    print("\r進度：{:3d} %".format(int((i + 1) / imgs_len * 100)), end='', flush=True)
train_file.close()test_file.close()input("\n輸入任意鍵退出")

運行該文件就可以得到所需的訓練集和驗證集了

1.5. 修改配置

1.5.1. 修改數(shù)據(jù)配置文件

編輯data目錄下的相應(yīng)的yaml文件

找到目錄下的voc.yaml文件，將該文件復制一份，將復制的文件重命名為watche.yaml

根據(jù)項目實況保留有用信息：

path: ./resources/VOC_DIYtrain: # train images (relative to 'path')  8 images  - images/trainval: # val images (relative to 'path')  2 images  - images/val
# Classesnc: 2  # number of classesnames: ['person', 'watche']  # class names

1.5.2. 修改模型配置文件

由于該項目使用的是yolov5s.pt這個預訓練權(quán)重，所以要使用models目錄下的yolov5s.yaml文件中的相應(yīng)參數(shù)

將yolov5s.yaml文件復制一份，然后將其重命名為yolov5_watche.yaml

根據(jù)項目實況改個；類型數(shù)量就好了：

# nc: 80  # number of classesnc: 2  # number of classes

2. 訓練配置

訓練是利用 train.py 文件

2.1. 參數(shù)設(shè)置

同《YOLOv5 使用入門》一樣，主要還是看參數(shù)設(shè)置：

def parse_opt(known=False):    parser = argparse.ArgumentParser()    parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')    parser.add_argument('--cfg', type=str, default='', help='model.yaml path')    parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')    parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')    parser.add_argument('--epochs', type=int, default=300)    parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')    parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')    parser.add_argument('--rect', action='store_true', help='rectangular training')    parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')    parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')    parser.add_argument('--noval', action='store_true', help='only validate final epoch')    parser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')    parser.add_argument('--noplots', action='store_true', help='save no plot files')    parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')    parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')    parser.add_argument('--cache', type=str, nargs='?', const='ram', help='--cache images in "ram" (default) or "disk"')    parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')    parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')    parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')    parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='SGD', help='optimizer')    parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')    parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')    parser.add_argument('--project', default=ROOT / 'runs/train', help='save to project/name')    parser.add_argument('--name', default='exp', help='save to project/name')    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')    parser.add_argument('--quad', action='store_true', help='quad dataloader')    parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler')    parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')    parser.add_argument('--patience', type=int, default=100, help='EarlyStopping patience (epochs without improvement)')    parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone=10, first3=0 1 2')    parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')    parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')
    # Weights & Biases arguments    parser.add_argument('--entity', default=None, help='W&B: Entity')    parser.add_argument('--upload_dataset', nargs='?', const=True, default=False, help='W&B: Upload data, "val" option')    parser.add_argument('--bbox_interval', type=int, default=-1, help='W&B: Set bounding-box image logging interval')    parser.add_argument('--artifact_alias', type=str, default='latest', help='W&B: Version of dataset artifact to use')
    opt = parser.parse_known_args()[0] if known else parser.parse_args()    return opt

將權(quán)重路徑、權(quán)重配置和數(shù)據(jù)集配置文件路徑修改

parser.add_argument('--weights', type=str, default=ROOT / 'weights/yolov5s.pt', help='initial weights path')parser.add_argument('--cfg', type=str, default=ROOT / 'models/yolov5s_watche.yaml', help='model.yaml path')parser.add_argument('--data', type=str, default=ROOT / 'data/watche.yaml', help='dataset.yaml path')

還有需要改動的一般就是訓練次數(shù)、批次大小和工作核心數(shù)了

parser.add_argument('--epochs', type=int, default=300)parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')

2.2. 執(zhí)行訓練

配置好后，直接執(zhí)行

$ python train.py

期間可以用 tensorboard 查看參數(shù)

$ tensorboard --logdir=runs/train

復制顯示的網(wǎng)址地址，在瀏覽器打開查看訓練過程

3. 檢測效果

訓練過程數(shù)據(jù)和模型存放在 runs\train\exp 文件夾中

一個為最優(yōu)的權(quán)重文件 best.pt，一個為最后一輪訓練的權(quán)重文件 last.pt

在訓練過程中大小在50M左右，不過訓完成后處理為14M左右

參考《YOLOv5 使用入門》（https://joveh-h.blog.csdn.net/article/details/125206372），利用驗證集的圖片數(shù)據(jù)、剛訓練好的模型和數(shù)據(jù)集配置進行檢測：

$ python detect.py --source=resources/VOC_DIY/images/val/7.jpg  --weights=runs/train/exp/weights/best.pt --data=data/watche.yaml

效果還是可以的

cls:1, xywh:[0.7656546235084534, 0.6132478713989258, 0.14231498539447784, 0.06410256773233414], conf:0.77cls:0, xywh:[0.4962049424648285, 0.5197649598121643, 0.7267552018165588, 0.6314102411270142], conf:0.78

版權(quán)聲明：本文為CSDN博主「氫鍵H-H」的原創(chuàng)文章，遵循CC 4.0 BY-SA版權(quán)協(xié)議，轉(zhuǎn)載請附上原文出處鏈接及本聲明。

原文鏈接：

https://blog.csdn.net/qq_32618327/article/details/125225366

編輯：古月居

聲明：部分內(nèi)容來源于網(wǎng)絡(luò)，僅供讀者學習、交流之目的文章版權(quán)歸原作者所有。如有不妥，請聯(lián)系刪除。

—THE END—

目標檢測 YOLOv5訓練操作